标签：步骤 递归 区间 数据 参数 tps 误差 不同的 这一
当前子树的损失函数：
$C_a(T) = C(T) + a|T|$, 其中$C(T)$为对训练数据的预测误差，$|T|$为树的叶子结点数目，反映模型的复杂度。对固定的$a$,一定存在使损失函数$C_a(T)$最小的子树，将其表示为$T_a$, 极端情况，当 $a = 0$时，整体树是最优的，当$a -> \infty $时，根节点组成的单节点树是最优的。
对应于每一个参数，剪枝后的子树是唯一的。在算法中，给定参数
，找寻损失函数最小的子树
，也就是说
是一一对应的！并不存在一个
对应于多个子树。CART剪枝算法中将用到该基本假设。因为当$a$大的时候，最优子树$T_a$偏小，当$a$小的时候，最优子树$T_a$偏大。
从最宏观的角度去考虑的话，就是利用生成
。CART剪枝算法的核心思想就是说，一个复杂的决策树，不管多复杂，都能生成有限个数的子树，我们记作
，那么我们只要找寻到对应于每一个子树的
，即得到对应的子树！没错，抽象一下，从【有限个数的
】中找寻对应的【
】
当或者充分小：
决策树叶结点越多，不确定性越低。
当增大时，总有那么一个点，能够使得：
当继续增大时，
所以我们只要取时，当且仅当
时，剪枝必然发生。
剪枝已经发生，此时，对应于每一个子结点t会生成不同的我们记作
，由此得：
剪枝的决策树什么时候最优？对于当前参数而言，能够找到这样的t，使得
然而在这里为了能够求得的一个序列，直接最小化了
找的即找到了子结点t，即完成了剪枝，即找到了最优子树
有了上述的步骤，为了得到决策树的所有子序列，直接递归下去，直到根节点即可。在这一过程中，不断地增加
的值，产生新的区间。
采用交叉验证法在子树序列中选取最优子树。
https://www.zhihu.com/question/22697086
标签：步骤 递归 区间 数据 参数 tps 误差 不同的 这一
原文地址：http://www.cnblogs.com/ljygoodgoodstudydaydayup/p/7464846.html
