第 6 篇：决策树与随机森林——当机器学会了“如果…那么…”，世界将如何被重塑？

《人工智能AI之机器学习基石》系列⑥
 

引言：我们画的“那条线”，遇到了新麻烦

在之前的旅程中，我们教会了机器两项核心技能：用线性回归画出一条“预测之线”，用逻辑回归画出一条优雅转弯的“分类之线”。无论是预测房价，还是判断肿瘤，它们都试图用一个统一、连续的数学公式来描绘整个世界。

这很强大，但现实世界，远比一条线复杂。

想象一下，你是一位经验丰富的医生，在诊断一位病人。你会用一个复杂的公式计算所有指标，得出一个“73.5分”的诊断分吗？

不，你更可能会这样做：

• “如果体温高于38.5度，并且咳嗽，那么很可能是病毒感染。”
• “如果体温正常，但某个血液指标异常，那么需要做进一步检查。”

这是一种完全不同的思维方式——它不是在寻找一条“普适”的线，而是在构建一套层层递进、条理分明的决策规则。这套“如果…那么…”（If-Then）的逻辑，根植于我们每个人的直觉深处。

当机器厌倦了用一条线去“一刀切”地解决所有问题时，它开始向人类最古老、最强大的决策智慧学习。

于是，决策树（Decision Tree）应运而生。今天，让我们一起探索，当机器学会了像专家一样思考，并进一步组建起一支“专家梦之队”——随机森林（Random Forest）时，我们眼中的世界，将被如何深刻地重塑。

---

一、 决策树：像顶级专家一样思考，把世界“切”成一块块

决策树，顾名思义，就是一种树状的决策模型。但这个比喻还不够生动。

让我们把它想象成一场经典的“20个问题”游戏。你的朋友心里想好了一个物体（比如“大象”），你的目标是通过问不超过20个“是/否”问题来猜出它。

你会怎么问？

• 错误示范：“它是‘大象’吗？”——信息量太低，纯属瞎猜。
• 专家级提问：“它是活的吗？” -> “是” -> “是动物吗？” -> “是” -> “是哺乳动物吗？” -> “是” -> “它的体型很大吗？” -> “是”...

你看，每一个好的问题，都能将可能性范围大幅缩小，让你离答案越来越近。决策树的核心思想，正是如此：通过一系列“最有效率”的问题，将混乱复杂的数据集，一步步划分成纯净、清晰的区域。

1.1 决策树的解剖学

一棵典型的决策树，由三个核心部件构成，我们可以用“医生诊断”的例子来理解：

• 根节点 (Root Node): 整棵树的起点，代表第一个、也是最关键的那个问题。比如，医生首先会问：“你最主要的症状是什么？” 这对应着数据集中最重要的那个特征。
• 内部节点