不管你是完全没接触过机器学习，还是只会一点点 Python，这篇教程都能带你学会决策树 —— 从 “懂原理” 到 “用代码做预测”，全程不绕弯、不堆砌术语。

1. 先搞懂：决策树到底是个啥？

决策树是机器学习里最 “像人类思考” 的模型 —— 本质就是 **“问问题→做选择” 的循环 **，像你平时做决定一样。

比如你纠结 “今天要不要带伞”，脑子里的思考过程就是一棵迷你决策树：

如果 天气预报说下雨：

    带伞

否则：

    如果 外面阴天：

        带伞（怕突然下雨）

    否则：

        不带伞

把这个过程画成图，就是决策树的结构：

          天气预报下雨吗？

           /          \

        是（带伞）     否

                     /    \

               外面阴天吗？  否（不带伞）

               /        \

            是（带伞）  否（不带伞）

小互动：你试试想一个自己的决策场景（比如 “要不要买这件衣服”），用 “如果… 那么… 否则…” 写出来 —— 这就是你自己的 “决策树” 啦！

2. 决策树能帮我们做什么？

它能解决两类常见问题，生活和工作里都能用得上：

任务类型	核心目标	真实场景例子	决策树怎么工作？
分类任务	给事物贴 “类别标签”	1. 邮件是 “垃圾邮件” 还是 “正常邮件”2. 患者是 “生病” 还是 “健康”	输出 “是 / 否”“A 类 / B 类” 这样的明确类别
回归任务	预测一个 “具体数字”	1. 预测这套房子的成交价（比如 180 万）2. 预测明天的 PM2.5 值（比如 56）	输出一个连续的数值（不是固定类别）

3. 关键问题：决策树怎么选 “该问什么问题”？

比如判断 “要不要出去玩”，为什么先问 “下不下雨”，而不是先问 “温度高不高”？

答案是：每次都选 “最能区分结果” 的问题—— 用 “信息熵” 和 “信息增益” 这两个工具来判断。

3.1 先理解 “信息熵”：衡量数据有多 “乱”

熵（Entropy）是个用来描述 “混乱程度” 的指标，记住一句话：

数据越乱，熵越大；数据越整齐，熵越小。

公式看起来有点复杂，但不用怕，我们用例子算一遍就懂了：

例子 1：数据全 “整齐”（10 个样本全是 “玩”）

例子 2：数据全 “乱”（10 个样本 5 个 “玩”、5 个 “不玩”）

总结熵的意义：

数据情况	熵值范围	决策树的判断
全是同一类结果	0	不用再问问题，直接出结果
各类结果比例差不多	接近 1	需要找个问题把数据分整齐
某一类结果占绝大多数	0~1 之间	快分整齐了，再问 1 个问题够了

3.2 再理解 “信息增益”：选 “最有用” 的问题

信息增益 = 分裂前的熵 - 分裂后的平均熵

增益越大，说明这个问题把数据 “分整齐” 的效果越好—— 决策树就选增益最大的问题作为当前节点。

还是用 “出去玩” 的数据举例子（10 个样本）：

天气	温度	是否出去玩
晴	高	否
晴	高	否
阴	高	是
雨	适中	是
雨	低	是
雨	低	否
阴	低	是
晴	适中	否
晴	低	是
雨	适中	是

第一步：算 “分裂前的熵”（没问任何问题时）

第二步：试 “用天气分裂”，算分裂后的平均熵

“天气” 有 3 类：晴（3 个样本）、阴（2 个）、雨（5 个）：

晴：3 个全是 “否” → 熵 = 0

阴：2 个全是 “是” → 熵 = 0

雨：5 个里 4 个 “是”、1 个 “否” → 熵≈0.72

第三步：试 “用温度分裂”，算分裂后的平均熵

“温度” 有 3 类：高（3 个）、适中（3 个）、低（4 个）：

高：3 个里 1 个 “是”、2 个 “否” → 熵≈0.92

适中：3 个里 2 个 “是”、1 个 “否” → 熵≈0.92

低：4 个里 3 个 “是”、1 个 “否” → 熵≈0.81

结论：

“天气” 的信息增益（0.52）比 “温度”（0）大 → 决策树先问 “天气怎么样”，再继续分！

4. 决策树的构建流程：4 步就能记住

其实就是 “算熵→试特征→选最优→再循环”，用生活类比更易记：

步骤	具体操作	生活类比（比如整理衣柜）
1	计算当前节点的熵	先看衣柜乱不乱（乱 = 熵大，需要整理）
2	用每个特征尝试分裂数据	试不同整理方法：按颜色分？按季节分？
3	计算每个特征的信息增益，选最大的	看哪种方法让衣柜最整齐（增益最大）
4	对分裂后的每个子节点，重复 1-3 步	每个整理好的小区域，再看看要不要细分（比如按颜色分好后，再按上衣 / 裤子分）
终止条件	子节点熵 = 0（全是同一类），或没有新特征可分	某个区域的衣服全是 “夏天短袖”，不用再分了

5. 实战：用 Python 做一个决策树（跟着敲代码）

目标：用刚才的 “出去玩” 数据，训练一个决策树，预测 “晴、低温度” 时要不要出去玩。

5.1 准备工具：安装依赖

首先要装两个 Python 库：pandas（处理数据）、scikit-learn（机器学习工具）、matplotlib（画图）。

打开电脑的 “命令提示符”（Windows）或 “终端”（Mac），输入下面的命令，按回车：

# 安装依赖（如果报错，把pip换成pip3）

pip install pandas scikit-learn matplotlib

5.2 第一步：导入数据，创建表格

打开 Python 编辑器（比如 PyCharm、VS Code，或在线编辑器 Colab），敲下面的代码，每一行都有注释：

# 1. 导入处理数据的库pandas

import pandas as pd

# 2. 创建“出去玩”的数据集（和前面例子的 data 一样）

data = pd.DataFrame({

    "天气": ["晴", "晴", "阴", "雨", "雨", "雨", "阴", "晴", "晴", "雨"],

    "温度": ["高", "高", "高", "适中", "低", "低", "低", "适中", "低", "适中"],

    "是否出去玩": ["否","否","是","是","是","否","是","否","是","是"]

})

# 3. 打印数据，确认没问题（运行后能看到表格就是对的）

print("原始数据：")

print(data)

运行代码后，会看到这样的输出：

原始数据：

  天气  温度 是否出去玩

0  晴   高      否

1  晴   高      否

2  阴   高      是

3  雨  适中      是

4  雨   低      是

5  雨   低      否

6  阴   低      是

7  晴  适中      否

8  晴   低      是

9  雨  适中      是

5.3 第二步：把文字转成数字（机器只认数字）

决策树不能处理 “晴”“雨” 这种文字，必须转成数字（比如 “晴 = 0，阴 = 1，雨 = 2”）。用LabelEncoder工具做转换：

# 1. 导入转数字的工具

from sklearn.preprocessing import LabelEncoder

# 2. 创建转码器

encoder = LabelEncoder()

# 3. 对每一列文字数据转码（循环处理3列）

for col in data.columns:  # col依次是“天气”“温度”“是否出去玩”

    data[col] = encoder.fit_transform(data[col])  # 把文字转成0、1、2...

# 4. 打印转码后的数据，确认结果

print("\n转成数字后的数据：")

print(data)

运行后输出（数字对应关系：比如 “天气” 里雨 = 0，阴 = 1，晴 = 2；“是否出去玩” 否 = 0，是 = 1）：

转成数字后的数据：

   天气  温度  是否出去玩

0    2    0        0

1    2    0        0

2    1    0        1

3    0    1        1

4    0    2        1

5    0    2        0

6    1    2        1

7    2    1        0

8    2    2        1

9    0    1        1

5.4 第三步：训练决策树模型

把数据分成 “特征”（用来判断的条件：天气、温度）和 “标签”（要预测的结果：是否出去玩），然后训练模型：

# 1. 导入决策树分类器（因为我们要分“是/否”，属于分类任务）

from sklearn.tree import DecisionTreeClassifier

# 2. 拆分特征和标签：

# X = 特征（天气、温度）→ 用来做判断的条件

X = data[["天气", "温度"]]

# y = 标签（是否出去玩）→ 要预测的结果

y = data["是否出去玩"]

# 3. 创建决策树模型，指定用“信息熵”选特征（criterion="entropy"）

model = DecisionTreeClassifier(criterion="entropy")

# 4. 训练模型（让模型“学习”数据里的规律）

model.fit(X, y)

print("\n模型训练完成！")

5.5 第四步：用模型做预测

比如我们想预测 “天气 = 晴（转码后是 2）、温度 = 低（转码后是 2）” 时，要不要出去玩：

# 预测：输入特征（天气=2（晴），温度=2（低））

# 注意：输入格式必须是 [[特征1, 特征2]]（二维列表）

prediction = model.predict([[2, 2]])

# 把预测结果转成文字（0=否，1=是）

result = "是" if prediction[0] == 1 else "否"

print(f"\n预测：天气=晴、温度=低时，是否出去玩？→ {result}")

运行后输出：

预测：天气=晴、温度=低时，是否出去玩？→ 是

和我们之前数据里的第 8 行（晴、低、是）一致，预测对了！

6. 可视化决策树：看清它是怎么思考的

训练好的模型是 “黑盒”？用plot_tree把它画出来，就能看到每一步的决策逻辑：

# 1. 导入画图工具

from sklearn.tree import plot_tree

import matplotlib.pyplot as plt

# 2. 设置图片大小（宽8英寸，高6英寸）

plt.figure(figsize=(8, 6))

# 3. 画决策树：

# feature_names：特征的名字（天气、温度）

# class_names：标签的文字（0=不玩，1=玩）

# filled=True：用颜色区分节点（颜色越深，熵越小，数据越整齐）

plot_tree(

    model,

    feature_names=["天气", "温度"],

    class_names=["不玩", "玩"],

    filled=True,

    rounded=True  # 节点边角圆润一点，好看

)

# 4. 显示图片

plt.show()

运行后会弹出一张图，我们来解读关键部分：

根节点（最上面）：天气 <= 0.5 → 天气转码后 “雨 = 0”，所以这里是 “天气是不是雨？”；entropy=0.88（和我们之前算的分裂前熵一致）；value=[3,7]（3 个 “不玩”，7 个 “玩”）；class=玩（这个节点里多数是 “玩”）。

左子节点（天气 <=0.5，即雨）：温度 <= 1.5（温度转码后 “高 = 0，适中 = 1，低 = 2”，即 “温度是不是高或适中？”）；entropy=0.72（和之前算的雨的熵一致）。

最下面的叶子节点（比如天气>0.5→不是雨，再分天气<=1.5→阴）：entropy=0（全是 “玩”），value=[0,2]（0 个不玩，2 个玩），所以直接输出 “玩”。

这样一看，决策树的思考过程就全透明了！

7. 决策树的优缺点：什么时候用它？

优点（特别适合新手）：

好懂好解释：可视化后能看清每一步决策，比神经网络等 “黑盒模型” 容易理解。

不用预处理数据：不用像其他模型（比如线性回归）那样做 “特征标准化”（比如把温度从 “高 / 低” 转成 0-1，或把房价从 100 万 / 200 万转成 0-1）。

符合人类思维：“问问题→做选择” 的逻辑和我们平时做决定一样，容易沟通。

缺点（要注意避坑）：

容易过拟合：比如数据里有一个 “晴、高、不玩” 的特殊样本，决策树会专门为它加一个分支，导致遇到新数据时预测不准。

→ 解决办法：限制树的深度（比如DecisionTreeClassifier(max_depth=3)），或 “剪枝”（去掉不重要的分支）。

对数据敏感：数据稍微变一点（比如加一个样本），树的结构可能完全变了。

处理连续值麻烦：比如温度如果是 “25℃、30℃” 这种连续数字，决策树要拆分成 “<=28℃”“>28℃”，不如分类特征（高 / 低）好处理。

进阶方向：

如果觉得单个决策树不够准，可以学 “随机森林”（多个决策树一起投票）或 “梯度提升树”（多个决策树接力优化）—— 它们是基于决策树的更强大模型，在实际工作中用得更多。

8. 总结：0 基础也能记住的核心

决策树本质：“选最能区分数据的问题→分裂→再重复”，像人类做决定一样。

两个关键概念：

熵：衡量数据混乱度（乱→熵大，整齐→熵小）。

信息增益：选 “最有用” 的问题（增益大→分的效果好）。

实战流程：数据准备→转数字→拆分特征标签→训练模型→预测→可视化。

跟着这篇教程敲完代码，你已经掌握了决策树的核心！接下来可以试试用自己的数据（比如 “学生是否及格”：特征 = 作业完成率、上课出勤率，标签 = 及格 / 不及格），按步骤再做一遍，巩固一下～