決策樹如何防止過擬合

• 2019 年 10 月 3 日
• 筆記

決策樹在長成的過程中極易容易出現過擬合的情況，導致泛化能力低。主要有兩種手段可以用於防止過擬合。

提前停止

Early Stopping，在完全長成以前停止，以防止過擬合。主要有以下3種方式：

1. 限制樹的高度，可以利用交叉驗證選擇
2. 利用分類指標，如果下一次切分沒有降低誤差，則停止切分
3. 限制樹的節點個數，比如某個節點小於100個樣本，停止對該節點切分

後剪枝

提前停止的不足

「提前停止」是一個不錯的策略，但是在實際的執行中會越到一些麻煩。比如「其中的第2點，如果下一次切分沒有降低誤差，則停止切分。」一看貌似很有道理，但是很容易舉出反例：

對一個XOR的數據集生成決策樹：


下面如果使用x[1]切分：


又或者用x[2]切分：


發現，無論選擇哪一個維度進行切分都不會使得訓練誤差降低了。所以根據Early Stopping，僅僅長成只有一個節點的stump。但是實際上：


繼續切下去，能學成一顆具有良好區分度的決策樹。所以「提前停止」的第2種情況既有利也有弊：


剪枝

我們通過一顆決策樹的葉子結點個數來定義這棵樹有多複雜。


但是樹太簡單也不好，訓練誤差太大，欠擬合。所以，訓練出一顆好的決策樹就是在樹的訓練誤差與複雜程度之間做權衡。


寫成數學公式，可以表示為：



剪枝演算法

舉例說明

有一顆已經長成的樹：


從底部開始考慮，第一個要檢查的切分點是Term：


假設懲罰性lambda是0.3：

• 對於未剪枝的T，計算它的訓練誤差為0.25，葉子結點總數為6.所以總的cost為0.43
• 對於剪去Term的T_samller，計算它的訓練誤差為0.26，葉子結點總數為5.所以總的cost為0.41
• 因為剪去後的樹的損失更小。所以決定剪枝。
• 接著對於所有的切分節點做上述相同的動作。

演算法