核心：划分点选择 + 输出值确定。
一、概述
决策树是一种基本的分类与回归方法，本文叙述的是回归部分。回归决策树主要指CART(classification and regression tree)算法，内部结点特征的取值为“是”和“否”， 为二叉树结构。
所谓回归，就是根据特征向量来决定对应的输出值。回归树就是将特征空间划分成若干单元，每一个划分单元有一个特定的输出。因为每个结点都是“是”和“否”的判断，所以划分的边界是平行于坐标轴的。对于测试数据，我们只要按照特征将其归到某个单元，便得到对应的输出值。
【例】左边为对二维平面划分的决策树，右边为对应的划分示意图，其中c1,c2,c3,c4,c5是对应每个划分单元的输出。
如现在对一个新的向量(6,6)决定它对应的输出。第一维分量6介于5和8之间，第二维分量6小于8，根据此决策树很容易判断(6,6)所在的划分单元，其对应的输出值为c3.
划分的过程也就是建立树的过程，每划分一次，随即确定划分单元对应的输出，也就多了一个结点。当根据停止条件划分终止的时候，最终每个单元的输出也就确定了，也就是叶结点。
二、回归树建立
既然要划分，切分点怎么找？输出值又怎么确定？这两个问题也就是回归决策树的核心。
[切分点选择：最小二乘法]; [输出值：单元内均值].
1.原理
假设X和Y分别为输入和输出变量，并且Y是连续变量，给定训练数据集为
，其中 
为输入实例(特征向量)，n为特征个数，i=1,2,...,N, N为样本容量。
对特征空间的划分采用启发式方法，每次划分逐一考察当前集合中所有特征的所有取值，根据平方误差最小化准则选择其中最优的一个作为切分点。如对训练集中第j个特征变量和它的取值s，作为切分变量和切分点，并定义两个区域
和
，为找出最优的和，对下式求解
(1.1)
也就是找出使要划分的两个区域平方误差和最小的和.
其中，,为划分后两个区域内固定的输出值，方括号内的两个min意为使用的是最优的
和
，也就是使各自区域内平方误差最小的和，易知这两个最优的输出值就是各自对应区域内Y的均值，所以上式可写为
(1.2)
其中
， .
现证明一维空间中样本均值是最优的输出值（平方误差最小）：
给定一个随机数列
，设该空间中最优的输出值为,根据最小平方误差准则，构造的函数如下：
考察其单调性，
令
根据其单调性，易知
，设该空间中最优的输出值为,根据最小平方误差准则，构造的函数如下：
得，
为最小值点。证毕。
找到最优的切分点(j,s)后，依次将输入空间划分为两个区域，接着对每个区域重复上述划分过程，直到满足停止条件为止。这样就生成了一棵回归树，这样的回归树通常称为最小二乘回归树。
2. 算法叙述
输入：训练数据集
；
输出：回归树
.
在训练数据集所在的输入空间中，递归地将每个区域划分为两个子区域并决定每个子区域上的输出值，构建二叉决策树：
(1) 选择最优切分变量j与切分点s，求解
(1.3)
遍历变量 j，对固定的切分变量 j 扫描切分点 s，选择使上式达到最小值的对
.
(2) 用选定的
对划分区域并决定相应的输出值：
，
(1.4)
其中
，
，.
(3) 继续对两个子区域调用步骤(1),(2)，直至满足停止条件.
(4) 将输入空间划分为M个区域
，生成决策树：
(1.5)
其中
为指示函数 
， .
三、示例
(参考：https://blog.csdn.net/weixin_40604987/article/details/79296427)
下表为训练数据集，特征向量只有一维，根据此数据表建立回归决策树。
| x | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
| y | 5.56 | 5.7 | 5.91 | 6.4 | 6.8 | 7.05 | 8.9 | 8.7 | 9 | 9.05 |
(1) 选择最优切分变量j与最优切分点s：
在本数据集中，只有一个特征变量，最优切分变量自然是x。接下来考虑9个切分点
（切分变量两个相邻取值区间 
内任一点均可），根据式(1.2)计算每个待切分点的损失函数值：
损失函数为（同式(1.2)）
其中
， 
.
a. 计算子区域输出值
当s=1.5时，两个子区域
，
，
， 
同理，得到其他各切分点的子区域输出值，列表如下
|
s |
1.5 |
2.5 |
3.5 |
4.5 |
5.5 |
6.5 |
7.5 |
8.5 |
9.5 |
 |
5.56 |
5.63 |
5.72 |
5.89 |
6.07 |
6.24 |
6.62 |
6.88 |
7.11 |
 |
7.5 |
7.73 |
7.99 |
8.25 |
8.54 |
8.91 |
8.92 |
9.03 |
9.05 |
b. 计算损失函数值，找到最优切分点
当s=1.5时，
同理，计算得到其他各切分点的损失函数值，列表如下
|
s |
1.5 |
2.5 |
3.5 |
4.5 |
5.5 |
6.5 |
7.5 |
8.5 |
9.5 |
| L(s) | 15.72 | 12.07 |
8.36 |
5.78 |
3.91 |
1.93 |
8.01 |
11.73 |
15.74 |
易知，取s=6.5时，损失函数值最小。因此，第一个划分点为(j=x,s=6.5).
(2) 用选定的对
划分区域并决定相应的输出值：
划分区域为：
，
对应输出值：
，
(3) 调用步骤(1),(2)，继续划分：
对
，取切分点
，计算得到单元输出值为
|
s |
1.5 |
2.5 |
3.5 |
4.5 |
5.5 |
|
|
5.56 |
5.63 |
5.72 |
5.89 |
6.07 |
|
|
6.37 |
6.54 |
6.75 |
6.93 |
7.05 |
损失函数值为
|
s |
1.5 |
2.5 |
3.5 |
4.5 |
5.5 |
|
L(s) |
1.3087 |
0.754 |
0.2771 |
0.4368 |
1.0644 |
L(3.5)最小，取s=3.5为划分点。
后面同理。
(4) 生成回归树：
假设两次划分后即停止，则最终生成的回归树为：
四、Python实现
对第三部分例子的python实现及与线性回归对比。
(来自https://github.com/KARL13YAN/learning/blob/master/regression%20tree.py)
import numpy as np
import matplotlib.pyplot as plt
from sklearn.tree import DecisionTreeRegressor
from sklearn import linear_model
# Data set
x = np.array(list(range(1, 11))).reshape(-1, 1)
y = np.array([5.56, 5.70, 5.91, 6.40, 6.80, 7.05, 8.90, 8.70, 9.00, 9.05]).ravel()
# Fit regression model
model1 = DecisionTreeRegressor(max_depth=1)
model2 = DecisionTreeRegressor(max_depth=3)
model3 = linear_model.LinearRegression()
model1.fit(x, y)
model2.fit(x, y)
model3.fit(x, y)
# Predict
X_test = np.arange(0.0, 10.0, 0.01)[:, np.newaxis]
y_1 = model1.predict(X_test)
y_2 = model2.predict(X_test)
y_3 = model3.predict(X_test)
# Plot the results
plt.figure()
plt.scatter(x, y, s=20, edgecolor="black",
c="darkorange", label="data")
plt.plot(X_test, y_1, color="cornflowerblue",
label="max_depth=1", linewidth=2)
plt.plot(X_test, y_2, color="yellowgreen", label="max_depth=3", linewidth=2)
plt.plot(X_test, y_3, color='red', label='liner regression', linewidth=2)
plt.xlabel("data")
plt.ylabel("target")
plt.title("Decision Tree Regression")
plt.legend()
plt.show()
运行结果：
pdf下载
参考
李航.《统计学习方法》.清华大学出版社.
CSDN. https://blog.csdn.net/weixin_40604987/article/details/79296427
来源：CSDN
作者：Terry_dong
链接：https://blog.csdn.net/sjyttkl/article/details/103755930