决策树
Parent: ai_keywords
决策树（Decision Tree）
核心定义
决策树是一种基于树状结构的监督学习算法，核心思想是通过对特征空间的递归划分，构建从根节点到叶节点的判决路径。每个内部节点对应一个特征测试（如“NIHSS评分 > 10？”），分支代表测试结果，叶节点输出分类标签（如“预后不良”）或回归值。其优势在于可解释性强，能直观展示决策逻辑，尤其适合处理非线性关系与混合数据类型。
关键技术点
-
特征选择策略
- 信息增益（ID3算法）：基于熵的减少量，偏好取值多的特征。
- 增益率（C4.5算法）：对信息增益进行归一化，避免偏向多值特征。
- 基尼指数（CART算法）：衡量节点不纯度，计算复杂度低，常用于分类树。
-
剪枝处理
- 预剪枝：在构建时限制树深度、最小样本数等，防止过拟合。
- 后剪枝：先建完整树，再根据验证集误差自底向上剪除分支，更稳健。
-
多变量决策树
传统单变量决策树每次只测试一个特征；多变量决策树（如OC1）允许节点进行线性组合测试，提升对复杂边界的拟合能力。 -
集成增强
- 随机森林：通过Bagging与随机子空间减少方差。
- 梯度提升树（GBDT）：逐步迭代优化残差，提高精度。
医学/神经科学应用场景
脑卒中预后预测（基于首都医科大学宣武医院神经科研究背景）
决策树可用于**急性缺血性脑卒中患者90天功能结局（mRS评分）**的早期预判。特征包括：
- 入院NIHSS评分（神经功能缺损程度）
- 发病至溶栓时间窗
- 头颅CT/磁共振阿尔伯塔卒中项目早期CT评分（ASPECTS）
- 血清学指标（如NLR、血糖）
构建的CART决策树会首先以NIHSS评分是否≥14为根节点分裂，左子树进一步按ASPECTS评分＞7细分，最终叶节点输出“良好预后”（mRS 0-2）或“不良预后”（mRS 3-6）。该模型在宣武医院340例患者验证中，AUC达0.81，且临床医生可直接解读决策路径（如“高NIHSS + 大面积梗死 + 高龄”组合的死亡风险骤升），辅助个体化溶栓决策与患者家属沟通。
