樹模型和神經(jīng)網(wǎng)絡(luò)，像一枚硬幣的兩面。在某些情況下，樹模型的性能甚至優(yōu)于神經(jīng)網(wǎng)絡(luò)。

由于神經(jīng)網(wǎng)絡(luò)的復雜性，它們常常被認為是解決所有機器學習問題的「圣杯」。而另一方面，基于樹的方法并未得到同等重視，主要原因在于這類算法看起來很簡單。然而，這兩種算法看似不同，卻像一枚硬幣的正反面，都很重要。

樹模型 VS 神經(jīng)網(wǎng)絡(luò)

基于樹的方法通常優(yōu)于神經(jīng)網(wǎng)絡(luò)。本質(zhì)上，將基于樹的方法和基于神經(jīng)網(wǎng)絡(luò)的方法放在同一個類別中是因為，它們都通過逐步解構(gòu)來處理問題，而不是像支持向量機或 Logistic 回歸那樣通過復雜邊界來分割整個數(shù)據(jù)集。

很明顯，基于樹的方法沿著不同的特征逐步分割特征空間，以優(yōu)化信息增益。不那么明顯的是，神經(jīng)網(wǎng)絡(luò)也以類似的方式處理任務(wù)。每個神經(jīng)元監(jiān)視特征空間的一個特定部分（存在多種重疊）。當輸入進入該空間時，某些神經(jīng)元就會被激活。

神經(jīng)網(wǎng)絡(luò)以概率的視角看待這種逐段模型擬合 （piece-by-piece model fitting），而基于樹的方法則采用確定性的視角。不管怎樣，這兩者的性能都依賴于模型的深度，因為它們的組件與特征空間的各個部分存在關(guān)聯(lián)。

包含太多組件的模型（對于樹模型而言是節(jié)點，對于神經(jīng)網(wǎng)絡(luò)則是神經(jīng)元）會過擬合，而組件太少的模型根本無法給出有意義的預(yù)測。（二者最開始都是記憶數(shù)據(jù)點，而不是學習泛化。）

要想更直觀地了解神經(jīng)網(wǎng)絡(luò)是如何分割特征空間的，可閱讀這篇介紹通用近似定理的文章：https://medium.com/analytics-vidhya/you-dont-understand-neural-networks-until-you-understand-the-universal-approximation-theory-85b3e7677126。

雖然決策樹有許多強大的變體，如隨機森林、梯度提升、AdaBoost 和深度森林，但一般來說，基于樹的方法本質(zhì)上是神經(jīng)網(wǎng)絡(luò)的簡化版本。

基于樹的方法通過垂直線和水平線逐段解決問題，以最小化熵（優(yōu)化器和損失）。神經(jīng)網(wǎng)絡(luò)通過激活函數(shù)來逐段解決問題。

基于樹的方法是確定性的，而不是概率性的。這帶來了一些不錯的簡化，如自動特征選擇。

決策樹中被激活的條件節(jié)點類似于神經(jīng)網(wǎng)絡(luò)中被激活的神經(jīng)元（信息流）。

神經(jīng)網(wǎng)絡(luò)通過擬合參數(shù)對輸入進行變換，間接指導后續(xù)神經(jīng)元的激活。決策樹則顯式地擬合參數(shù)來指導信息流。（這是確定性與概率性相對應(yīng)的結(jié)果。）

信息在兩個模型中的流動相似，只是在樹模型中的流動方式更簡單。

樹模型的 1 和 0 選擇 VS 神經(jīng)網(wǎng)絡(luò)的概率選擇

當然，這是一個抽象的結(jié)論，甚至可能是有爭議的。誠然，建立這種聯(lián)系有許多障礙。不管怎樣，這是理解基于樹的方法何時以及為什么優(yōu)于神經(jīng)網(wǎng)絡(luò)的重要部分。

對于決策樹而言，處理表格或表格形式的結(jié)構(gòu)化數(shù)據(jù)是很自然的。大多數(shù)人都同意用神經(jīng)網(wǎng)絡(luò)執(zhí)行表格數(shù)據(jù)的回歸和預(yù)測屬于大材小用，所以這里做了一些簡化。選擇 1 和 0，而不是概率，是這兩種算法之間差異的主要根源。因此，基于樹的方法可成功應(yīng)用于不需要概率的情況，如結(jié)構(gòu)化數(shù)據(jù)。

例如，基于樹的方法在 MNIST 數(shù)據(jù)集上表現(xiàn)出很好的性能，因為每個數(shù)字都有幾個基本特征。不需要計算概率，這個問題也不是很復雜，這就是為什么設(shè)計良好的樹集成模型性能可以媲美現(xiàn)代卷積神經(jīng)網(wǎng)絡(luò)，甚至更好。

通常，人們傾向于說「基于樹的方法只是記住了規(guī)則」，這種說法是對的。神經(jīng)網(wǎng)絡(luò)也是一樣，只不過它能記住更復雜的、基于概率的規(guī)則。神經(jīng)網(wǎng)絡(luò)并非顯式地對 x》3 這樣的條件給出真 / 假的預(yù)測，而是將輸入放大到一個很高的值，從而得到 sigmoid 值 1 或生成連續(xù)表達式。

另一方面，由于神經(jīng)網(wǎng)絡(luò)非常復雜，因此使用它們可以做很多事情。卷積層和循環(huán)層都是神經(jīng)網(wǎng)絡(luò)的杰出變體，因為它們處理的數(shù)據(jù)往往需要概率計算的細微差別。

很少有圖像可以用 1 和 0 建模。決策樹值不能處理具有許多中間值（例如 0.5）的數(shù)據(jù)集，這就是它在 MNIST 數(shù)據(jù)集上表現(xiàn)很好的原因，在 MNIST 中，像素值幾乎都是黑色或白色，但其他數(shù)據(jù)集的像素值不是（例如 ImageNet）。類似地，文本有太多的信息和太多的異常，無法用確定性的術(shù)語來表達。

這也是神經(jīng)網(wǎng)絡(luò)主要用于這些領(lǐng)域的原因，也是神經(jīng)網(wǎng)絡(luò)研究在早期（21 世紀初之前）停滯不前的原因，當時無法獲得大量圖像和文本數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)的其他常見用途僅限于大規(guī)模預(yù)測，比如 YouTube 視頻推薦算法，其規(guī)模非常大，必須用到概率。

任何公司的數(shù)據(jù)科學團隊可能都會使用基于樹的模型，而不是神經(jīng)網(wǎng)絡(luò)，除非他們正在建造一個重型應(yīng)用，比如模糊 Zoom 視頻的背景。但在日常業(yè)務(wù)分類任務(wù)上，基于樹的方法因其確定性特質(zhì)，使這些任務(wù)變得輕量級，其方法與神經(jīng)網(wǎng)絡(luò)相同。

在許多實際情況下，確定性建模比概率建模更自然。例如，預(yù)測用戶是否從某電商網(wǎng)站購買一樣商品，這時樹模型是很好的選擇，因為用戶天然地遵循基于規(guī)則的決策過程。用戶的決策過程可能看起來像這樣：

我以前在這個平臺上有過愉快的購物經(jīng)歷嗎？如果有，繼續(xù)。

我現(xiàn)在需要這件商品嗎？（例如，冬天我應(yīng)該買太陽鏡和泳褲嗎？）如果是，繼續(xù)。

根據(jù)我的用戶統(tǒng)計信息，這是我有興趣購買的產(chǎn)品嗎？如果是，繼續(xù)。

這個東西太貴嗎？如果沒有，繼續(xù)。

其他顧客對這個產(chǎn)品的評價是否足夠高，讓我可以放心地購買它？如果是，繼續(xù)。

一般來說，人類遵循基于規(guī)則和結(jié)構(gòu)化的決策過程。在這些情況下，概率建模是不必要的。

結(jié)論

最好將基于樹的方法視為神經(jīng)網(wǎng)絡(luò)的縮小版本，以更簡單的方式進行特征分類、優(yōu)化、信息流傳遞等。

基于樹的方法和神經(jīng)網(wǎng)絡(luò)方法在用途的主要區(qū)別在于確定性（0/1）與概率性數(shù)據(jù)結(jié)構(gòu)。使用確定性模型可以更好地對結(jié)構(gòu)化（表格）數(shù)據(jù)進行建模。