1. CART剪枝介绍
2. 剪枝的两个过程
2.1 剪枝，形成一个子树序列
在剪枝过程中，计算子树的损失函数\[C_{\alpha}(T) = C(T) + \alpha|T|\]
其中，T为任意子树，\(C(T)\)为对训练数据的预测误差（如基尼系数），\(|T|\)为子树叶节点个数，\(\alpha >= 0\),\(C_{\alpha}(T)\)为参数是\(\alpha\)时的子树\(T\)的整体损失，参数\(\alpha\)权衡训练数据的拟合程度与模型的复杂度。
对于每一个给定的\(\alpha\)，都有唯一的最优子树\(T_{\alpha}\)使得\(C_{\alpha}(T)\)最小。
下面是通过\(\alpha\)的变化来解释树的复杂度当\(\alpha\)比较大的时候，最优子树\(T_{\alpha}\)偏小
当\(\alpha\)比较小时，最优子树\(T_{\alpha}\)偏大
当\(\alpha = 0\)时，最优子树为未剪枝的\(T_0\)
当 \(\alpha\rightarrow+\infty\),最优子树为根结点树
具体的,从整体树\(T_0\)开始剪枝，对\(T_0\)的的任意内部结点\(t\),以\(t\)为单结点树的损失函数为\[C_{\alpha}(t) = C(t) + \alpha\]
以\(t\)为根结点的子树\(T_t\)的损失函数是\[C_{\alpha}(T_t) = C(T_t) + \alpha|T_t|\]
当\(\alpha=0\)或充分小时，有不等式\[C_{\alpha}(T_t) < C_{\alpha}(t)\]
当\(\alpha\)增大时，必在某一点有\[C_{\alpha}(T_t) = C_{\alpha}(t)\]
此时可以计算得到\[\alpha = \frac{C(t) - C_{\alpha}(T_t)}{|T_t| - 1}\]
当\(\alpha\)继续增大时，不等式反向，只要\(\alpha = \frac{C(t) - C_{\alpha}(T_t)}{|T_t| - 1}\)，\(T_t\)与\(t\)有相同的损失函数值，而\(t\)的结点少，因此\(t\)比\(T_t\)更可取，对\(T_t\)进行剪枝。
通过上述方法，我们可以计算出\({(\alpha_0,T_0),(\alpha_1,T_1),....(\alpha_n,T_n)}\)
2.2 在剪枝得到的子树序列\({T_0,T_1,T_2,...T_n}\)中通过交叉验证选取最优子树\(T_{\alpha}\)
具体地，利用的验证数据集，测试子树序列\(T_0,T_1,....T_n\)中各棵子树的平方误差或基尼指数。依据平方误差或基尼指数最小来选择其中最优的决策树，其相应的\(\alpha\)也就确定了，得到最优决策树\(T_{\alpha}\)