机器学习_2_决策树与随机森林

最新推荐文章于 2024-07-30 13:29:56 发布

ChenBingOO1

最新推荐文章于 2024-07-30 13:29:56 发布

阅读量293

点赞数

分类专栏：机器学习文章标签：决策树机器学习

本文链接：https://blog.csdn.net/a18833260807/article/details/108098304

版权

机器学习专栏收录该内容

3 篇文章 0 订阅

订阅专栏

机器学习_2_决策树与随机森林

写在前面：

新手入门，有理解不到位的地方欢迎批评指正。

1. 理论

1. 决策树

决策树是一种树型结构，其中每个内部结点表示在一个属性上的测试，每个分支代表一个测试输出，每个叶结点代表一种类别。

决策树学习采用的是自顶向下的递归方法，其基本思想是以信息熵为度量构造一棵熵值下降最快的树，到叶子节点处的熵值为零，此时每个叶节点中的实例都属于同一类。

我们希望决策树的分支结点所包含的样本尽可能属于同一类别，即结点的"纯度" (purity)越来越高.

建立决策树的关键，即在当前状态下选择哪个属性作为分类依据。根据不同的目标函数，建立决策树主要有一下三种算法。

ID3：（信息增益/互信息 $\mathrm{g}(\mathrm{D}, \mathrm{A})$ ）
$\mathrm{g}(\mathrm{D}, \mathrm{A})=\mathrm{H}(\mathrm{D})-\mathrm{H}(\mathrm{D} \mid \mathrm{A})$
C4.5：（信息增益率 $\mathrm{g}_{\mathrm{r}}(\mathrm{D}, \mathrm{A})$ ）
$\mathrm{g}_{\mathrm{r}}(\mathrm{D}, \mathrm{A})=\mathrm{g}(\mathrm{D}, \mathrm{A}) / \mathrm{H}(\mathrm{A})$
CART：（基尼指数 $\operatorname{Gini}(p)$ ）
$\begin{array}{l} \operatorname{Gini}(p)=\sum_{k=1}^{K} p_{k}\left(1-p_{k}\right)=1-\sum_{k=1}^{K} p_{k}^{2} \\ =1-\sum_{k=1}^{K}\left(\frac{\left|C_{k}\right|}{|D|}\right)^{2} \end{array}$
说明：

一个属性的信息增益(率)/gini指数越大，表明属性对样本的熵减少的能力更强，这个属性使得数据由不确定性变成确定性的能力越强。
其中：
- 训练数据集为 $D$ ， $∣ D ∣$ 表示样本个数。
- 设有 $K$ 个类 $C_{k}, k=1,2 \cdots K$ ， $\left|C_{k}\right|$ 为属于类 $C_{k}$ 的样本个数，有 $\sum_{k}\left|C_{k}\right|=|D|$
- 设特征 $A$ 有 $n$ 个不同的取值 $\left\{a_{1}, a_{2} \cdots a_{n}\right\}$ ，根据特征 $A$ 的取值将 $D$ 划分为 $n$ 个子集 $D_{1}, D_{2} \cdots D_{n}$ ， $\left|D_{i}\right|$ 为 $D_{i}$ 的样本个数，有 $\sum_{i}\left|D_{i}\right|=|D|$
- 记子集 $D_{i}$ 中属于类 $C_k$ 的样本的集合为 $D_{ik}$ ， $D_{ik}|$ 为 $D_{ik}$ 的样本个数
- 数据集 $D$ 的经验熵 $H(D)=-\sum_{k=1}^{K} \frac{\left|C_{k}\right|}{|D|} \log \frac{\left|C_{k}\right|}{|D|}$
- 特征 $A$ 对数据集 $D$ 的经验条件熵 $\mathrm{H}(\mathrm{D} \mid \mathrm{A})=\mathrm{H}(\mathrm{A}, \mathrm{D})-\mathrm{H}(\mathrm{A})$
- 联合熵 $\mathrm{H}(\mathrm{A}, \mathrm{D})=-\sum_{A, D} p(A, D) \log p(A, D)$
- 熵 $\mathrm{H}(\mathrm{A})=-\sum_{A} p(A) \log p(A)$

损失函数/评价函数：
$C(T)=\sum_{t \in l e a f} N_{t} \cdot H(t)$

其中：

假定样本的总类别为 $K$ 个
对于决策树的某叶结点 $t$ ，假定该叶结点含有样本数目为 $N_{t}$ ，其中第 $k$ 类的样本点数目为 $n_k$ ， $k = 1, 2, \dots, K$

过拟合问题：

剪枝

由完全树 $T_0$ 开始，剪枝部分结点得到 $T_1$ ，再次剪枝部分结点得到 $T_2$ …直到仅剩树根的树$T_k $ ,然后在验证数据集上对这 $k$ 个树分别评价，选择损失函数最小的树 $T_α$
- 预剪枝
- 后剪枝
随机森林

2. 随机森林

Bagging（bootstrap aggregation ）策略:

从样本集中重采样（bootstrap）(有重复的)选出 $n$ 个样本

在所有属性上，对这n个样本建立分类器（ID3、 C4.5、 CART、 SVM、 Logistic回归等）

重复以上两步 $m$ 次，即获得了 $m$ 个分类器

将数据放在这 $m$ 个分类器上，最后根据这 $m$ 个分类器的投票结果，决定数据属于哪一类

bootstrap每次约有36.79%的样本不会出现在bootstrap所采集的样本集合中，将未参与模型训练的数据称为袋外数据OOB(Out Of Bag)。它可以用于取代测试集用于误差估计。袋外数据误差估计与同训练集一样大小的测试集精度相同。

随机森林在bagging基础上做了修改：

从样本中用bootstrap采样选出 $n$ 个样本；
从所有属性中随机选择 $k$ 个属性，选择最佳分割属性作为节点建立CART决策树；
重复以上两步 $m$ 次，即建立了 $m$ 棵CART决策树；
这 $m$ 个CART形成随机森林，通过投票表决结果，决定数据属于哪一类。

投票机制：

简单投票机制
- 一票否决(一致表决)
- 少数服从多数（最多）
  - 有效多数(加权)
- 阈值表决
贝叶斯投票机制（加入一些先验知识）

随机森林RF应用：

计算样本间相似度：

两样本同时出现在相同叶结点的次数越多，则二者越相似。
计算特征重要度:

计算正例经过的结点，使用经过结点的数目、经过结点的gini系数和等指标。或者，随机替换一列数据，重新建立决策树，计算新模型的正确率变化，从而考虑这一列特征的重要性。
异常值检测 :

随机选择特征、随机选择分割点，生成一定深度的决策树iTree，若干颗iTree组成iForest ；计算iTree中样本 $x$ 从根到叶子的长度 $f (x)$ ；计算iForest中 $f (x)$ 的总和 $F (x)$ 若样本x为异常值，它应在大多数iTree中很快从根到达叶子，即 $F (x)$ 较小。

样本不均衡的处理办法：

假定样本数目A类比B类多，且严重不平衡：

A类下采样Undersampling
- 随机欠采样
- A类分成若干子类，分别与B类进入ML模型
- 基于聚类的A类分割
B类上采样Oversampling
- 避免欠采样造成的信息丢失
B类数据合成Synthetic Data Generation
- 随机插值得到新样本
- SMOTE(Synthetic Minority Over-sampling Technique)
代价敏感学习Cost Sensitive Learning
- 降低A类权值，提高B类权值

2. 代码实践

代码环境：

win7+PyCharm 2018.3.1 Professional+python3.7

决策树：

# -*- coding:utf-8 -*-

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl
from sklearn import tree
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
import pydotplus


# 花萼长度、花萼宽度，花瓣长度，花瓣宽度
iris_feature_E = 'sepal length', 'sepal width', 'petal length', 'petal width'
iris_feature = u'花萼长度', u'花萼宽度', u'花瓣长度', u'花瓣宽度'
iris_class = 'Iris-setosa', 'Iris-versicolor', 'Iris-virginica'

if __name__ == "__main__":
    mpl.rcParams['font.sans-serif'] = [u'SimHei']
    mpl.rcParams['axes.unicode_minus'] = False

    path = 'iris.data'  # 数据文件路径
    data = pd.read_csv(path, header=None)
    x = data[range(4)]
    y = pd.Categorical(data[4]).codes
    # 为了可视化，仅使用前两列特征
    x = x.iloc[:, :2]
    x_train, x_test, y_train, y_test = train_test_split(x, y, train_size=0.7, random_state=1)
    print y_test.shape
    
     # 决策树参数估计
    # min_samples_split = 10：如果该结点包含的样本数目大于10，则(有可能)对其分支
    # min_samples_leaf = 10：若将某结点分支后，得到的每个子结点样本数目都大于10，则完成分支；否则，不进行分支
    model = DecisionTreeClassifier(criterion='entropy')
    model.fit(x_train, y_train)
    y_test_hat = model.predict(x_test)      # 测试数据
    
    # 保存
    # dot -Tpng my.dot -o my.png
    # 1、输出
    # with open('iris.dot', 'w') as f:
    #     tree.export_graphviz(model, out_file=f)
    # 2、给定文件名
    # tree.export_graphviz(model, out_file='iris1.dot')
    # 3、输出为pdf格式
    dot_data = tree.export_graphviz(model, out_file=None, feature_names=iris_feature_E[:2], class_names=iris_class,
                                    filled=True, rounded=True, special_characters=True)
    graph = pydotplus.graph_from_dot_data(dot_data)
    graph.write_pdf('iris.pdf')
    f = open('iris.png', 'wb')
    f.write(graph.create_png())
    f.close()

    # 画图
    N, M = 50, 50  # 横纵各采样多少个值
    x1_min, x2_min = x.min()
    x1_max, x2_max = x.max()
    t1 = np.linspace(x1_min, x1_max, N)
    t2 = np.linspace(x2_min, x2_max, M)
    x1, x2 = np.meshgrid(t1, t2)  # 生成网格采样点
    x_show = np.stack((x1.flat, x2.flat), axis=1)  # 测试点
    print x_show.shape
    
    cm_light = mpl.colors.ListedColormap(['#A0FFA0', '#FFA0A0', '#A0A0FF'])
    cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])
    y_show_hat = model.predict(x_show)  # 预测值
    print y_show_hat.shape
    print y_show_hat
    y_show_hat = y_show_hat.reshape(x1.shape)  # 使之与输入的形状相同
    print y_show_hat
    plt.figure(facecolor='w')
    plt.pcolormesh(x1, x2, y_show_hat, cmap=cm_light)  # 预测值的显示
    plt.scatter(x_test[0], x_test[1], c=y_test.ravel(), edgecolors='k', s=150, zorder=10, cmap=cm_dark, marker='*')  # 测试数据
    plt.scatter(x[0], x[1], c=y.ravel(), edgecolors='k', s=40, cmap=cm_dark)  # 全部数据
    plt.xlabel(iris_feature[0], fontsize=15)
    plt.ylabel(iris_feature[1], fontsize=15)
    plt.xlim(x1_min, x1_max)
    plt.ylim(x2_min, x2_max)
    plt.grid(True)
    plt.title(u'鸢尾花数据的决策树分类', fontsize=17)
    plt.show()

    # 训练集上的预测结果
    y_test = y_test.reshape(-1)
    print y_test_hat
    print y_test
    result = (y_test_hat == y_test)   # True则预测正确，False则预测错误
    acc = np.mean(result)
    print '准确度: %.2f%%' % (100 * acc)

    # 过拟合：错误率
    depth = np.arange(1, 15)
    err_list = []
    for d in depth:
        clf = DecisionTreeClassifier(criterion='entropy', max_depth=d)
        clf.fit(x_train, y_train)
        y_test_hat = clf.predict(x_test)  # 测试数据
        result = (y_test_hat == y_test)  # True则预测正确，False则预测错误
        if d == 1:
            print result
        err = 1 - np.mean(result)
        err_list.append(err)
        # print d, ' 准确度: %.2f%%' % (100 * err)
        print d, ' 错误率: %.2f%%' % (100 * err)
    plt.figure(facecolor='w')
    plt.plot(depth, err_list, 'ro-', lw=2)
    plt.xlabel(u'决策树深度', fontsize=15)
    plt.ylabel(u'错误率', fontsize=15)
    plt.title(u'决策树深度与过拟合', fontsize=17)
    plt.grid(True)
    plt.show()

随机森林：

# -*- coding:utf-8 -*-

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl
from sklearn.ensemble import RandomForestClassifier


def iris_type(s):
    it = {'Iris-setosa': 0, 'Iris-versicolor': 1, 'Iris-virginica': 2}
    return it[s]

# 'sepal length', 'sepal width', 'petal length', 'petal width'
iris_feature = u'花萼长度', u'花萼宽度', u'花瓣长度', u'花瓣宽度'

if __name__ == "__main__":
    mpl.rcParams['font.sans-serif'] = [u'SimHei']  # 黑体 FangSong/KaiTi
    mpl.rcParams['axes.unicode_minus'] = False

    path = '..\\8.Regression\\iris.data'  # 数据文件路径
    data = pd.read_csv(path, header=None)
    x_prime = data[range(4)]
    y = pd.Categorical(data[4]).codes

    feature_pairs = [[0, 1], [0, 2], [0, 3], [1, 2], [1, 3], [2, 3]]
    plt.figure(figsize=(10, 9), facecolor='#FFFFFF')
    for i, pair in enumerate(feature_pairs):
        # 准备数据
        x = x_prime[pair]

        # 随机森林
        clf = RandomForestClassifier(n_estimators=200, criterion='entropy', max_depth=3)
        clf.fit(x, y.ravel())

        # 画图
        N, M = 50, 50  # 横纵各采样多少个值
        x1_min, x2_min = x.min()
        x1_max, x2_max = x.max()
        t1 = np.linspace(x1_min, x1_max, N)
        t2 = np.linspace(x2_min, x2_max, M)
        x1, x2 = np.meshgrid(t1, t2)  # 生成网格采样点
        x_test = np.stack((x1.flat, x2.flat), axis=1)  # 测试点

        # 训练集上的预测结果
        y_hat = clf.predict(x)
        y = y.reshape(-1)
        c = np.count_nonzero(y_hat == y)    # 统计预测正确的个数
        print '特征：  ', iris_feature[pair[0]], ' + ', iris_feature[pair[1]],
        print '\t预测正确数目：', c,
        print '\t准确率: %.2f%%' % (100 * float(c) / float(len(y)))

        # 显示
        cm_light = mpl.colors.ListedColormap(['#A0FFA0', '#FFA0A0', '#A0A0FF'])
        cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])
        y_hat = clf.predict(x_test)  # 预测值
        y_hat = y_hat.reshape(x1.shape)  # 使之与输入的形状相同
        plt.subplot(2, 3, i+1)
        plt.pcolormesh(x1, x2, y_hat, cmap=cm_light)  # 预测值
        plt.scatter(x[pair[0]], x[pair[1]], c=y, edgecolors='k', cmap=cm_dark)  # 样本
        plt.xlabel(iris_feature[pair[0]], fontsize=14)
        plt.ylabel(iris_feature[pair[1]], fontsize=14)
        plt.xlim(x1_min, x1_max)
        plt.ylim(x2_min, x2_max)
        plt.grid()
    plt.tight_layout(2.5)
    plt.subplots_adjust(top=0.92)
    plt.suptitle(u'随机森林对鸢尾花数据的两特征组合的分类结果', fontsize=18)
    plt.show()