[ML] Feature Importances for Decision Tree

이 문서는
Feature Importance를  
Decision Tree에서 Gini Impurity Measure를 이용하여 계산하는 예제를 보여줌.

---

Tree 예시 (depth = 3)

        [Root]
         (X1)
         [5:5]
       /       \
    Node1       Node2
    (X2)        (X3)
    [4:1]       [1:4]
   /    \      /    \
Leaf1  Leaf2 Leaf3  Leaf4
[3:0]  [1:1] [0:2]  [1:2]

• Root 노드는 X1을 사용해 데이터를 분할.
• Node1은 X2를 사용해 데이터를 다시 분할.
• Node2는 X3을 사용해 데이터를 다시 분할.

---

단계 1: Gini impurity measure 계산

Gini impurity는 다음과 같이 계산:

$$
\text{Gini} = 1 - \sum_{i=1}^{n} (p_i^2)
$$

• $n$ : number of classes
• $p_i$ :현재 노드에서 인스턴스가 클래스 $i$에 속할 확률.

1-1. 초기 상태 (Root 노드):

• 클래스 0: 5개 샘플
• 클래스 1: 5개 샘플

지니 불순도 (Root):

$$1 - (0.5^2 + 0.5^2) = 0.5$$

---

단계 2: 각 노드에서의 분할 후 Gini impurity계산 및 중요도 평가

2-1. Root 노드에서 X1으로 분할

X1에 의해 분할된 두 그룹의 Gini impurity:

• 왼쪽 그룹 (Node1): 클래스 0 - 4개, 클래스 1 - 1개

$$1 - (0.8^2 + 0.2^2) = 0.32$$

 

• 오른쪽 그룹 (Node2): 클래스 0 - 1개, 클래스 1 - 4개

$$1 - (0.2^2 + 0.8^2) = 0.32$$

 

분할 전 Gini impurity는 0.5 이며, 이 노드에서의 분할 후 평균 Gini impurity measures는 다음과 같음:

$$
\frac{5}{10} \times 0.32 + \frac{5}{10} \times 0.32 = 0.32
$$

즉, Root 노드에서 Gini impurity decrement:

$$0.5 - 0.32 = 0.18$$

 

X1의 중요도에 기여: 0.18

---

2-2. Node1에서 X2로 분할

X2에 의해 분할된 두 그룹의 Gini impurity:

• 왼쪽 그룹 (Leaf1): 클래스 0 - 3개, 클래스 1 - 0개

$$1 - (1^2 + 0^2) = 0.0$$

• 오른쪽 그룹 (Leaf2): 클래스 0 - 1개, 클래스 1 - 1개

$$1 - (0.5^2 + 0.5^2) = 0.5$$

 

분할 전 inpurity는 0.32 이고 분할 후 평균 Gini impurity는 다음과 같음:

$$\frac{3}{5} \times 0.0 + \frac{2}{5} \times 0.5 = 0.2$$

 

Node1에서 Gini impurity decrement:

$$0.32 - 0.2 = 0.12$$

 

X2의 중요도에 기여: 0.12

---

2-3.Node2에서 X3으로 분할

 

X3에 의해 분할된 두 그룹의 Gini impurity:

• 왼쪽 그룹 (Leaf3): 클래스 0 - 0개, 클래스 1 - 2개

$$1 - (0^2 + 1^2) = 0.0$$

• 오른쪽 그룹 (Leaf4): 클래스 0 - 1개, 클래스 1 - 2개

$$1 - (1/3)^2 - (2/3)^2 = 0.44$$

 

분할 전 Gini impurity는  0.32 이고 분할 후 평균 Gini impurity는 다음과 같음:

 

$$\frac{2}{5} \times 0.0 + \frac{3}{5} \times 0.44 = 0.264$$

 

Node2에서 Gini impurity decrement:

$$0.32 - 0.264 = 0.056$$

 

X3의 중요도에 기여: 0.056

---

단계 3: 특성 중요도 계산 및 정규화

• X1의 총 기여도: 0.18
• X2의 총 기여도: 0.12
• X3의 총 기여도: 0.056

전체 특성 중요도의 합:

$$0.18 + 0.12 + 0.056 = 0.356$$

정규화:

• X1: $ \frac{0.18}{0.356} \approx 0.51 $
• X2: $ \frac{0.12}{0.356} \approx 0.34 $
• X3: $ \frac{0.056}{0.356} \approx 0.16 $

---

최종 결과

• X1의 중요도: 0.51
• X2의 중요도: 0.34
• X3의 중요도: 0.16

---

요약

• Feature Importance는
  각 node(노드)에서 purity increament(순수도 향상도)를 누적하고,
  이 값의 tree 전체에 대한 기여도를 계산하기 위해 정규화함.
• Depth가 증가하면서 추가된 node들 역시 feature importance에 영향을 미치지만,
  일반적으로 상위 node에서의 분할이 더 많은 instances에 영향을 주기 때문에 상대적으로 더 높은 중요도를 가질 가능성이 큼.

---

같이 보면 좋은 자료들

2026.03.24 - [Programming/ML] - XAI: Coefficient, Feature importance, and SHAP

XAI: Coefficient, Feature importance, and SHAP

https://ds31x.tistory.com/558

Decision Tree - CART (Classification and Regression Trees)

2023.02.20 - [Computer/CE] - [CE] Tree vs. Graph

[CE] Tree vs. Graph

2024.11.25 - [Programming/DIP] - [DIP] K-Means Tree: Nearest Neighbor Search

[DIP] K-Means Tree: Nearest Neighbor Search