python实现-决策树2-sklearn

sklearn代码

sklearn步骤：
1，实例化 2，通过模型接口训练数据 3，通过模型接口提取需要的信息

主要代码：
from sklearn import tree #导入模块
clf = tree.DecisionTreeClassifier() #实例化
clf = clf.fit(x_train, y_train,) #用训练集数据训练模型
result = clf.score(X_test, y_test) #导入测试集，得结果

sklearn用不纯度Criterion来确定确定最佳节点，可选信息熵或者基尼系数作为Criterion

from sklearn import tree          #导入树模块
from sklearn.datasets import load_wine  #导入红酒数据
from sklearn.model_selection import train_test_split   #划分训练集测试集
wine = load_wine()  #下载数据，字典形式
wine.data  #标签列
wine.data.shape
wine.target  #标签列

import pandas as pd
pd.concat([pd.DataFrame(wine.data),pd.DataFrame(wine.target)],axis=1)
#连接起来，形成表格式
wine.feature_names  #特征名
wine.target_names   #目标列的类
xtrain,xtest,ytrain,ytest=train_test_split(wine.data,wine.target,test_size=0.3)
#按30%测试集，70%训练集划分数据
xtrain.shape
xtest.shape
clf=tree.DecisionTreeClassifier(criterion='entropy') 
#实例化 criterion选择信息增益，默认的是基尼系数
#
#random_state设置了一个随机种子，保证了每次结果输出一致
clf=clf.fit(xtrain,ytrain) #训练模型
score=clf.score(xtest,ytest)  #返回预测的准确度
score

import graphviz
feature_name = ['酒精','苹果酸','灰','灰的碱性','镁','总酚','类黄酮','非黄烷类酚类','花青素','颜色强度','色调','od280/od315稀释葡萄酒','脯氨酸']
#特征名转成了中文

dot_data = tree.export_graphviz(clf
                               ,feature_names = feature_name
                               ,class_names=["威士忌","伏特加","琴酒"]
                               ,filled=True
                               ,rounded = True
                               )
#filled - 是否填充颜色
#rounded - 框的形状

graph = graphviz.Source(dot_data)
graph
#不纯度为0 时，可以选择出叶子节点

clf.feature_importances_
#显示决策树选择的特征，以及其对应的贡献
#没有使用的特征，重要性是0

[*zip(feature_name,clf.feature_importances_)]
#将特征的名字和对应的重要性进行匹配
#根节点 类黄酮 贡献最大

#训练集上的拟合效果
score_train=clf.score(xtrain,ytrain)
score_train
#不能认为过拟合，因为测试集score也不错

剪枝参数1

正确的剪枝是优化的核心

max_depth 限制树的最大深度，建议从3开始测试

min_samples_leaf 限定n，一个节点在分支后的每个子节点都至少有n个训练样本，建议从5开始

min_samples_split 限定n，一个节点至少有n个训练样本，建议从5开始

#重新生成模型，加上剪枝参数
clf=tree.DecisionTreeClassifier(criterion='entropy'
                               ,random_state=30
                               ,splitter='random'
                               ,max_depth=3
                              # ,min_samples_leaf=10
                               ,min_samples_split=10) 
#
clf = clf.fit(xtrain,ytrain) #训练模型
dot_data = tree.export_graphviz(clf
                               ,feature_names = feature_name
                               ,class_names=["威士忌","伏特加","琴酒"]
                               ,filled=True
                               ,rounded = True
                               )
graph = graphviz.Source(dot_data)
graph
#不纯度为0 时，可以选择出叶子节点

#训练集上的拟合效果
score_train=clf.score(xtrain,ytrain)
score_train
#剪枝后的拟合效果

score=clf.score(xtest,ytest) 
score

剪枝参数2

max_features 限制可以使用的特征数量，例如特征900个太多了

min_impurity_decrease 设定一个阈值，信息增益在小于该阈值时，不再进行分支

确定最优的剪枝参数，最优参数不能一个一个的尝试

# 默认的max_depth是1，但是由于分到最后一个可能会导致过拟合的情况出现，因此经常使用几个常见的剪枝参数来预防过拟合。这边就只用了max_depth这个参数
import matplotlib.pyplot as plt
test=[]
for i in range(10):
    clf=tree.DecisionTreeClassifier(criterion='entropy'
                                   ,max_depth=i+1
                                   ,random_state=30)
    clf=clf.fit(xtrain,ytrain)
    score=clf.score(xtest,ytest)
    test.append(score)
plt.plot(range(1,11),test,color='red',label='max_depth')
plt.show()
# 可以看出在3的时候，数据是相对最好的。

目标权重参数

class_weight 给少量的标签更多的权重，让模型更加偏向少数类。 该参数默认None，表示自动给相同的权重
weight_fraction_leaf 对应的剪枝参数

重要属性与接口

属性：模型训练后，能够调用查看模型的各种性质 feature_import sklearn 接口：fit和score apply 和predict
apply返回每个测试样本所在的叶子节点的索引
predict 返回每个测试样本的分类、回归结果

所有接口中要求输入xtest和x_train部分，输入的特征矩阵必须至少至少是一个二维矩阵，不接受一维矩阵！！！！

#apply返回每个测试样本所在的叶子节点的索引
clf.apply(xtest)

#predict 返回每个测试样本的分类、回归结果
clf.predict(xtest)