什么是决策树的替代划分？它解决什么问题？

简化版

替代划分是在主划分特征缺失时，使用另一个与主划分左右分配最一致的规则决定样本去向。它保留树结构并利用特征相关性处理缺失，但需要额外存储和计算，且分布漂移后替代关系可能失效。

详细版

• 先选正常的主切分，再让其他特征模仿主切分产生的左/右标签。

• 按加权一致率给候选替代规则排序，预测时使用第一个可用规则。

• 替代划分预测的是“主规则会往哪走”，不是直接预测最终类别。

• 若所有替代特征也缺失，可走多数分支或预设默认方向。

• CART 经典实现支持该思路，但不同库可能改用 missing default direction。

完整版教学

一、把缺失路由转成一个辅助分类问题

主特征缺失时，树无法判断左右。

若收入与职位等级高度相关，可以用职位阈值近似复现收入切分，而不必先填补一个具体收入值。

替代规则只在当前节点局部学习，因此同一特征在不同节点可能有不同替代方式。

它利用相关结构，也会继承这种结构随时间变化的风险。

二、数学机制怎么落到节点上

agreement(surrogate) = weighted_count(surrogate_direction == primary_direction) / available_weight；adjusted_agreement can subtract majority-direction baseline。

agreement(surrogate) = weighted_count(surrogate_direction == primary_direction) / available_weight
adjusted_agreement can subtract majority-direction baseline

三、带数字的推演

主规则 income≤10万 在 100 个完整样本中把 60 个送左、40 个送右。

替代规则 job_level≤2 与其中 85 个方向一致，一致率 85%；若基线总走左已有 60%，调整后才更能体现增益。

四、方法对比

方法/对象	核心特点	代价或限制
替代划分	用相关特征复现主方向	局部灵活、需存多个规则
默认方向	缺失统一走一侧	快但信息利用少
预先插补	先补值再走普通树	流水线统一但引入插补假设

五、从训练到验证的执行链

选主切分 -> 生成主左右标签 -> 其他特征搜索最佳模仿规则
-> 按一致率排序保存 -> 预测遇缺失逐个尝试 -> 全缺失走默认分支

六、边界条件与工程代价

若缺失本身携带风险信息，单纯模仿主切分可能抹掉信号。

可增加 missing indicator，或使用原生缺失分支并验证。

一致率应只在主特征和候选特征同时可见的样本上估计，还要考虑覆盖率；99% 一致但只覆盖 5% 样本的规则并不实用。

记忆钩子：把替代划分记成“主路封闭时，找最像主路方向的备用路”。

七、常见误区与追问

• 误区：替代划分是在预测目标标签。 它首先模仿主切分的左右路由。

• 追问：如何选择替代规则？ 综合与主方向的一致率、覆盖率和相对多数基线的提升。

• 误区：有替代划分就不必监控缺失率。 缺失模式和特征相关性漂移仍会让路由失真。

• 追问：所有替代特征也缺失怎么办？ 使用节点的默认方向或训练时定义的多数分支。

• 追问：它和插补有什么区别？ 替代划分直接决定局部方向，不构造完整的缺失特征数值。

八、加强记忆

把替代划分记成“主路封闭时，找最像主路方向的备用路”。

训练看一致率与覆盖率，预测按排序尝试；它不是插补，也不是直接预测标签。