定义
决策树是一种常见的机器学习算法，它的思想十分朴素，类似于我们平时利用选择做决策的过程。
上，决策的形式以树的形式进行示意和编码，就形成了决策树。
结构
显然，决策树在逻辑上以树的形式存在，包含根节点、内部结点和叶节点。
- 根节点：包含数据集中的所有数据的集合
- 内部节点：每个内部节点为一个判断条件，并且包含数据集中满足从根节点到该节点所有条件的数据的集合。根据内部结点的判断条件测试结果，内部节点对应的数据的集合别分到两个或多个子节点中。
- 叶节点：叶节点为最终的类别，被包含在该叶节点的数据属于该类别。
简而言之，决策树是一个利用树的模型进行决策的多分类模型，简单有效，易于理解。
伪代码
决策树算法的伪代码（参照了python语法）如下图所示：
# D = {(x1,y1)、(x2,y2)......(xm,yn)} 是数据集
# A = {a1、a2、a3.} 是划分节点的属性集
# 节点node有两个主要属性：content代表该节点需要分类的训练集，type代表叶节点的决策类型
def generateTree(D,A):
newNode = 空 #生成新的节点
# 如果当前数据集都为一个种类，则设为一个叶节点并返回
if D 中数据皆属于类别 C:
newNode.content = D
newNode.type = C
return
# 如果已经没有属性了或者数据集在剩余属性中表现相同（属性无法区分）
if A = 空集 or D中数据在A中取值相同:
newNode.content = D
newNode.type = D中最多的类
return
#从A中选取最优的属性a
a=selectBestPorperty(A)
#为a的每一个取值生成一个节点，递归进行处理
for a的每一个取值 res[i]:
生成新的分支节点 node[i]
D[i] = D中取值为res[i]的数据
node[i].content = D[i]
if node[i].content == null:
node[i].type = D中最多的类
else:
generateTree(D[i],A - {a})
return
划分选择
可以看到，在伪代码中，大部分步骤都是简单而明确的，而最重要的步骤在于从A中选取最优的属性a，可以说，属性选择的质量，决定了决策树的预测准确度。这很容易理解，例如我们看一个学生聪明与否可以看他的成绩，但是如果依靠他的身高预测他是否聪明，显然得不到好的结果。
一般的原则是，希望通过不断划分节点，使得一个分支节点包含的数据尽可能的属于同一个类别，即“纯度“越来越高。
这里列出三种常用的准则。
信息增益准则
我们先对一个节点的纯度进行定义，我们将其称之为信息熵：
Ent(D)=−∑k=1|γ|pklog(pk)
Ent(D)=−∑k=1|γ|pklog(pk)
其中pkpk代表当前节点D的数据中第k类样本所占的比例。
观察该信息熵的定义，有以下几个特点：
由于pkpk都属于[0,1]，Ent(D)必定为正值，值越大说明纯度越低
Ent(D)在k=1，p1p1=1时取值最小值0，在k=|γ|k=|γ| pk=1|γ|pk=1|γ|时取值最大值log|γ|2log2|γ|
信息熵是一个节点的固有性质，和该节点选取什么属性进行下一步的划分无关
在定义了信息熵之后，对信息增益进行定义，假设选取属性a有V个取值，{a1a2…aV}{a1a2…aV}，按照决策树的规则，D将被划分为V个不同的节点数据集，DvDv代表其中第v个节点：
Gain(D,a)=Ent(D)−∑v=1V|Dv||D|Ent(Dv)
Gain(D,a)=Ent(D)−∑v=1V|Dv||D|Ent(Dv)
观察该式，有以下几点说明：
第一线Ent(D)是确定的，和选取的属性a无关，我们可以将之看为定值
|Dv||D||Dv||D|表示分支节点所占的比例大小，显然数据集越大的分支节点权重越高
分支节点整体纯度越大，则后一项越小，信息增益Gain变得越大，所以我们的目标是如何最大化信息增益
由此，我们得到了一种选择划分属性的方法，计算以每个属性进行划分子节点得到的信息增益，选择其中最大的作为选择的属性。
信息增益率准则
信息增益原则对于每个分支节点，都会乘以其权重，也就是说，由于权重之和为1，所以分支节点分的越多，即每个节点数据越小，纯度可能越高。这样会导致信息熵准则偏爱那些取值数目较多的属性。
为了解决该问题，这里引入了信息增益率，定义如下：
Gainratio(D,a)=Gain(D,a)IV(a)
Gainratio(D,a)=Gain(D,a)IV(a)
IV(a)=∑v=1V|Dv||D|log|Dv||D|2
IV(a)=∑v=1V|Dv||D|log2|Dv||D|
相当于引入了修正项IV(a)，它是对于属性a的固有值。
需要注意的是，信息增益率原则可能对取值数目较少的属性更加偏爱,为了解决这个问题，可以先找出信息增益在平均值以上的属性，在从中选择信息增益率最高的。
基尼指数准则
在CART决策树中，使用基尼指数来选择属性，首先定义数据集D的基尼值：
Gini(D)=∑k=1|γ|∑k1!=kpkpk1=1−∑k=1|γ|p2k
Gini(D)=∑k=1|γ|∑k1!=kpkpk1=1−∑k=1|γ|pk2
形象的说，基尼值代表了从D中随机选择两个样本，其类别不一致的概率。
有了基尼值后，可以在此基础上定义基尼指数：
Giniindex(D,a)=∑v=1V|Dv||D|Gini(Dv)
Giniindex(D,a)=∑v=1V|Dv||D|Gini(Dv)
其中DvDv的含义和之前相同，可以看出基尼指数越小，说明纯度越高，我们可以通过选择基尼指数小的属性来划分子节点。
剪枝
剪枝是应该决策树过拟合的一种重要方法，主要分为以下两种：
预剪枝：该策略就是在对一个节点进行划分前进行估计，如果不能提升决策树泛化精度，就停止划分，将当前节点设置为叶节点。那么怎么测量泛化精度，就是留出一部分训练数据当做测试集，每次划分前比较划分前后的测试集预测精度。
优点：降低了过拟合风险，降低了训练所需的时间。
缺点：预剪枝是一种贪心操作，可能有些划分暂时无法提升精度，但是后续划分可以提升精度。故产生了欠拟合的风险。
后剪枝：该策略是首先正常建立一个决策树，然后对整个决策树进行剪枝。按照决策树的广度优先搜索的反序，依次对内部节点进行剪枝，如果将某以内部节点为根的子树换成一个叶节点，可以提高泛化性能，就进行剪枝。
优先：降低过拟合风险，降低欠拟合风险，决策树效果提升比预剪枝强
缺点：时间开销大得多
特殊值处理
连续值处理
在之前进行选择属性的时候，我们仅仅讨论了属性值为离散值的情况，例如身高分为“极高、高、较高、中等、较矮”五个选项，但是如果数据集中身高为连续值，例如140-210cm，我们该如何处理呢？
这里可以采用二分的思想，将连续值化为离散值。由于我们的数据集是有限的，即使是连续值，属性a在数据集中也只出现了有限个确定的值，记为(a1,a2,a3…an)(a1,a2,a3…an)，且a1<a2<a3…<ana1<a2<a3…<an。
取n个值的中点，令
t1=a1+a22,t2=a2+a32…tn−1=an−1+an2
t1=a1+a22,t2=a2+a32…tn−1=an−1+an2
我们得到了n-1个中点，(t1，t2…tn−1)(t1，t2…tn−1),任取一个值titi可以将数据集D分为两个，D+D+表示D中大于titi的数据，D−D−表示D中小于titi的数据集合，这样，我们便可以同离散值一样进行处理了。
接下来的问题是，选取哪一个t呢？显然在信息增益准则下，应该选择使得信息增益最大的t:
Gain(D,a)=maxtGain(D,a,t)=maxtEnt(D)−∑λ∈{+,−}|Dλ||D|Ent(Dλt)
Gain(D,a)=maxtGain(D,a,t)=maxtEnt(D)−∑λ∈{+,−}|Dλ||D|Ent(Dtλ)
经过稍加改造的信息增益公式就可以选择最好的t来进行划分。
缺失值处理
缺失值处理较为复杂，设计到较多的公式，在这里给出链接，读者可以参考阅读
缺失值处理详解
其主要思想是
在选择属性时，仅使用不缺失该属性的数据来计算信息增益，最后乘以一个代表缺失数据比例的比例系数
在对某个属性进行划分子节点时，对于不缺失该属性的数据正常划分，对于缺失该属性的数据，按不同的权重划分进行每个子节点
多变量决策树
实际上大部分机器学习的分类算法，都是将一个具有n个属性的数据，看成一个在n维空间的一个点，分类的过程就是在n维空间或者更高维度空间中找到超平面，将这些点进行划分。
而普通的决策树算法有一个特点，由于它每个节点的划分条件都是单独的，明确的，所以决策树的决策边界是平行于空间的坐标轴的。如下图所示：
这对其拟合特性有一定的影响，当数据比较复杂时，需要较多的属性才能得到较好的划分，而多变量决策树就可以解决该问题。
在多变量决策树的学习过程中，不是为每个非叶结点寻找一个最优划分属性，而是试图建立一个合适的线性分类器。 如下图所示：
建议阅读西瓜书 很详细！
