拓端tecdat|R语言中自编基尼系数的CART回归决策树的实现

原文链接： http://tecdat.cn/?p=14056

原文出处：拓端数据部落公众号

本文为了说明回归树的构造（使用CART方法），考虑以下模拟数据集，

> set.seed(1)
> n=200
> X1=runif(n)
> X2=runif(n)
> P=.8*(X1<.3)*(X2<.5)+
+   .2*(X1<.3)*(X2>.5)+
+   .8*(X1>.3)*(X1<.85)*(X2<.3)+
+   .2*(X1>.3)*(X1<.85)*(X2>.3)+
+   .8*(X1>.85)*(X2<.7)+
+   .2*(X1>.85)*(X2>.7)
> Y=rbinom(n,size=1,P)
> B=data.frame(Y,X1,X2)

具有一个因变量（感兴趣的变量）和两个连续的自变量（变量 $X_1$ 和 $X_2$ ）。

> tail(B)Y        X1        X2
195 0 0.2832325 0.1548510
196 0 0.5905732 0.3483021
197 0 0.1103606 0.6598210
198 0 0.8405070 0.3117724
199 0 0.3179637 0.3515734
200 1 0.7828513 0.1478457

理论分区如下

在这里，可以将样本绘制在下方（请注意，第一个变量在上方的y轴上，在下方的x轴上），蓝色点等于1，红色点等于0，

> plot(X1,X2,col="white")
> points(X1[Y=="1"],X2[Y=="1"],col="blue",pch=19)
> points(X1[Y=="0"],X2[Y=="0"],col="red",pch=19)

为了构造树，我们需要一个分区critera。最标准的可能是Gini的索引，当将s分为两类时，可以写出该索引，在此表示 $\{A,B\}$

或将分为三类时，表示为 $\{A,B,C\}$

等等，这里 $n_{x,y}$ 只是属于分区的观测值的计数， $x$ 其取值为 $y$ 。但是可以考虑其他标准，例如卡方距离，

在传统上，当我们考虑两个等级时，或者在三个等级的情况下。

同样，这里的想法是使距离最大化：想法是区分，所以我们希望样本尽可能不独立。要计算基尼系数

我们只需构造列联表，然后计算上面给出的数量。首先，假设只有一个解释变量。我们将样本一分为二，并使用所有可能的分割值 $s$ ，即

$\{[x_{\min},s],[s,x_{\max}]\}$

然后，我们为所有这些值计算基尼系数。结是使基尼系数最大化的值。有了第一个节点后，我们将继续保留（从现在开始将其称为 $s^\star$ ）。我们通过寻找最佳第二选择来重申：给定一个根节点，考虑将样本一分为三的值，并给出最高的基尼系数，因此，我们考虑以下分区

$\{[x_{\min},s],[s,s^\star],[s^\star,x_{\max}]\}$

或这个

$\{[x_{\min},s^\star],[s^\star,s],[s,x_{\max}]\}$

也就是说，我们在上一个结的下方或上方分割。然后我们进行迭代。代码可以是这样的，


> for(s in 1:4){
+ for(i in 1:length(u)){+ vgini[i]=GINI(Y,I)+ }
+
+
+ cat("knot",k,u[k],"\n")
+
+
+ }
knot 69 0.3025479
knot 133 0.5846202
knot 72 0.3148172
knot 111 0.4811517

第一步，基尼系数的值如下：

最高约为0.3。然后，我们尝试分三部分构造一个分区（拆分为0.3以下或以上）。我们得到以下基尼系数图（作为第二个节点的函数）

当样本在0.6左右分裂（这成为我们的第二个节点）时最大。等，现在，让我们将代码与标准R函数进行比较，

node), split, n, deviance, yval* denotes terminal node1) root 200 49.8800 0.4750  2) X2 < 0.302548 69 12.8100 0.7536 *3) X2 > 0.302548 131 28.8900 0.3282  6) X2 < 0.58462 65 16.1500 0.4615  12) X2 < 0.324591 7  0.8571 0.1429 *13) X2 > 0.324591 58 14.5000 0.5000 *7) X2 > 0.58462 66 10.4400 0.1970 *

我们确实获得了类似的结：第一个为0.302，第二个为0.584。因此，构造树并不难...

现在，如果我们考虑两个解释变量，该怎么办？保持不变，除了分区的编写现在变得更加复杂。为了找到第一个节点，我们考虑了两个分量的所有值，然后再次保持最大化基尼指数的值，


> plot(u1,gini[,1],ylim=range(gini),col="green",type="b",xlab="X1",ylab="Gini index")
> abline(h=mg,lty=2,col="red")
> if(i==1){points(u1[which.max(gini[,1])],mg,pch=19,col="red")
+          segments(u1[which.max(gini[,1])],mg,u1[which.max(gini[,1])],-100000)}
> u2[which.max(gini[,2])]
[1] 0.3025479

这些图如下所示并获得了右侧的分区，

或者我们分割第二个分区（然后得到以下分区），

在这里，最好先分割第二个变量。实际上，我们回到了前面讨论的一维情况：正如预期的那样，最好在0.3左右进行分割。以下代码已确认这一点，

var   n       dev      yval splits.cutleft splits.cutright
1     X2 200 49.875000 0.4750000      <0.302548       >0.302548
2     X1  69 12.811594 0.7536232      <0.800113       >0.800113
4 <leaf>  57  8.877193 0.8070175
5 <leaf>  12  3.000000 0.5000000

对于第二个结，应考虑四种情况：在第二个变量上再次分裂（再次），在上一个结之上或之下（请参见左下方）或在第一个变量上分裂。然后在上一个结的下方或上方设置一个分区（请参见右下方），

为了使树可视化，代码如下

注意，我们也可以可视化该分区。

参考文献

1.从决策树模型看员工为什么离职

2.R语言基于树的方法：决策树，随机森林，套袋Bagging，增强树数据分析

3.python中使用scikit-learn和pandas决策树进行鸢尾花数据分类

4.R语言对用电负荷时间序列数据进行K-medoids聚类建模和GAM回归

5.R语言k-Shape算法股票价格时间序列聚类

6.r语言鸢尾花iris数据集的层次聚类

7.Python Monte Carlo K-Means聚类实战研究

8.用R进行网站评论文本挖掘聚类

9.Python中的Apriori关联算法市场购物篮分析

10.通过Python中的Apriori算法进行关联规则挖掘

11.使用LSTM神经网络预测爱尔兰的电力消耗

12.用R语言实现神经网络预测股票实例