决策树 （Decision Tree）
前言
1.分类模型实例讲解
分类算法的主要分两步骤：
- 训练。给定一个数据集，每个样本包含一组特征和一个类别信息，然后调用分类算法训练分类模型。
- 预测。利用生成的模型或函数对新的数据集（测试集）进行分类预测，并判断其分类后的结果，并进行可视化绘图显示。
- 分类实例进行讲解。假设存在一个垃圾分类系统，将邮件划分为“垃圾邮件”和“非垃圾邮件”，现在有一个带有是否是垃圾邮件类标的训练集，然后训练一个分类模型，对测试集进行预测，步骤如下：
- (1)分类模型对训练集进行训练，判断每行数据是正向数据还是负向数据，并不断与真实的结果进行比较，反复训练模型，直到模型达到某个状态或超出某个阈值，模型训练结束。
- (2) 利用该模型对测试集进行预测，判断其类标是“垃圾邮件”还是“非垃圾邮件”，并计算出该分类模型的准确率和特征值。
经过上述的两步骤，当收到一封新邮件时，我们可以根据它邮件的内容或特征，判断其是否是垃圾邮件，更让我们便利减少垃圾邮件的骚扰。
2.常见的分类算法
监督式学习包括分类和回归。其中常见的分类算法包括朴素贝叶斯分类器、决策树、K最近邻分类算法、支持向量机、神经网络和基于规则的分类算法等，同时还有用于组合单一类方法的集成学习算法，如Bagging和Boosting等。
本节主要讲决策树：
决策树（Decision Tree）是以实例为基础的归纳学习（Inductive Learning）算法，它是对一组无次序、无规则的实例建立一棵决策判断树，并推理出树形结果的分类规则。决策树作为分类和预测的主要技术之一，其构造目的是找出属性和类别间的关系，用它来预测未知数据的类别。该算法采用自顶向下的递归方式，在决策树的内部节点进行属性比较，并根据不同属性值判断从该节点向下的分支，在决策树的叶子节点得到反馈的结果。
决策树算法根据数据的属性采用树状结构建立决策模型，常用来解决分类和回归问题。常见的算法包括：分类及回归树(CART算法)、ID3 、C4.5、随机森林等。
提示：以下是本篇文章正文内容，下面案例可供参考
一、决策树的基本概念
决策树是基于树结构来进行决策的，举个例子：
现有一位母亲急于给自己的女娃介绍一个男朋友，于是有了下面的对话：
1. 女儿：多大年纪了？
2. 母亲：26。
3. 女儿：长的帅不帅？
4. 母亲：挺帅的。
5. 女儿：收入高不？
6. 母亲：不算很高，中等情况。
7. 女儿：是公务员不？
8. 母亲：是，在税务局上班呢。
9. 女儿：那好，我去见见。
这个女孩的挑剔过程就是一个典型的决策树，即相当于通过年龄、长相、收入和是否公务员将男童鞋分为两个类别：见和不见。假设这个女孩对男人的要求是：30岁以下、长相中等以上并且是高收入者或中等以上收入的公务员，那么使用下图就能很好地表示女孩的决策逻辑（即一颗决策树）。
在上图的决策树中，决策过程的每一次判定都是对某一属性的“测试”，决策最终结论则对应最终的判定结果。一般一颗决策树包含：一个根节点、若干个内部节点和若干个叶子节点，易知：
- 每个非叶节点表示一个特征属性测试。
- 每个分支代表这个特征属性在某个值域上的输出。
- 每个叶子节点存放一个类别。
- 每个节点包含的样本集合通过属性测试被划分到子节点中，根节点包含样本全集。
决策树算法根据数据的属性并采用树状结构构建决策模型，常用来解决分类和回归问题。常见的决策树算法包括：
- ID3算法(IterativeDichotomiser 3)
- C4.5算法
- 分类及回归树（Classification And Regression Tree，简称CART）
- 随机森林算法（Random Forest
- 梯度推进机算法（GradientBoosting Machine，简称GBM）
对于CART、ID3和C4.5进行对比可得：
| 决策树 | 模型类型 | 树结构 | 特征选择 | 连续值处理 | 缺失处理 |
|---|---|---|---|---|---|
| ID3算法(IterativeDichotomiser 3) | 分类 | 多叉树 | 信息增益 | 不可以 | 不可以 |
| C4.5算法 | 分类 | 多叉树 | 信息增益比 | 可以 | 可以 |
| CART(Classification And Regression Tree) | 分类与回归 | 二叉树 | 基尼系数 | 可以 | 可以 |
决策树构建的基本步骤包括4步，具体步骤如下：
- 第一步：开始时将所有记录看作一个节点。
- 第二步：遍历每个变量的每一种分割方式，找到最好的分割点。
- 第三步：分割成两个节点N1和N2。
- 第四步：对N1和N2分别继续执行第二步和第三步，直到每个节点足够“纯”为止。
这里的优缺点是针对 CART 树来讲，因为现在 CART 是主流的决策树算法，而且在 sklearn 工具包中使
用的也是 CART 决策树。
优点：
- 非常直观，可解释极强。 在生成的决策树上，每个节点都有明确的判断分支条件，所以非常容易看到为什么要这样处理，比起神经网络模型的黑盒处理，高解释性的模型非常受金融保险行业的欢迎。
- 预测速度比较快。由于最终生成的模型是一个树形结构，对于一条新数据的预测，只需要按照条件在每一个节点进行判定就可以。通常来说，树形结构都有助于提升运算速度。
- 既可以处理离散值也可以处理连续值，还可以处理缺失值。
缺点：
- 容易过拟合。 在极端的情况下，我们根据样本生成了一个最完美的树，那么样本中出现的每一个值都会有一条路径来拟合，所以如果样本中存在一些问题数据，或者样本与测试数据存在一定的差距时，就会看出泛化性能不好，出现了过拟合的现象。
- 需要处理样本不均衡的问题。如果样本不均衡，某些特征的样本比例过大，最终的模型结果将会更偏向这些特征。
- 样本的变化会引发树结构巨变。
由于决策树容易过拟合，所以我们需要使用剪枝的方式来使得模型的泛化能力更好，剪枝可以理解为简化我们的决策树，是去掉不必要的节点路径以提高泛化能力。剪枝分为预剪枝和后剪枝：
- 预剪枝： 在决策树构建之初就设定一个阈值，当分裂节点的熵阈值小于设定值的时候就不再进行
分裂了；然而这种方法的实际效果并不是很好，因为谁也没办法预料到我们设定的恰好是我们想要 的。 - 后剪枝： 后剪枝方法就是在我们的决策树已经构建完成以后，再根据设定的条件来判断是否要合
并一些中间节点，使用叶子节点来代替。在实际的情况下，通常都是采用后剪枝的方案。
二、DTC算法
Sklearn机器学习包中，实现决策树（DecisionTreeClassifier，简称DTC）的类是：
sklearn.tree.DecisionTreeClassifier()
DecisionTreeClassifier构造方法为：
sklearn.tree.DecisionTreeClassifier(criterion='gini'
, splitter='best'
, max_depth=None
, min_samples_split=2
, min_samples_leaf=1
, max_features=None
, random_state=None
, min_density=None
, compute_importances=None
, max_leaf_nodes=None)
- criterion：特征选择标准[entropy, gini]。默认gini，即CART算法。
- splitter：特征划分标准，[best, random]。best在特征的所有划分点中找出最优的划分点，random随机的在部分划分点中找局部最优的划分点。默认的‘best’适合样本量不大的时候，而如果样本数据量非常大，此时决策树构建推荐‘random’。
- max_depth：决策树最大深度，[int, None]。默认值是‘None’。一般数据比较少或者特征少的时候可以不用管这个值，如果模型样本数量多，特征也多时，推荐限制这个最大深度，具体取值取决于数据的分布。常用的可以取值10-100之间，常用来解决过拟合。
- min_samples_split：内部节点（即判断条件）再划分所需最小样本数，[int, float]。默认值为2。如果是int，则取传入值本身作为最小样本数；如果是float，则取ceil(min_samples_split*样本数量)作为最小样本数。（向上取整）
- min_samples_leaf：叶子节点（即分类）最少样本数。如果是int，则取传入值本身作为最小样本数；如果是float，则取ceil(min_samples_leaf*样本数量)的值作为最小样本数。这个值限制了叶子节点最少的样本数，如果某叶子节点数目小于样本数，则会和兄弟节点一起被剪枝。
- max_features：在划分数据集时考虑的最多的特征值数量，[int值]。在每次split时最大特征数；[float值]表示百分数，即（max_features*n_features）
- random_state：[int, randomSate instance, None]，默认是None
- min_density：默认None。
- compute_importances：默认None。
- max_leaf_nodes：最大叶子节点数。[int, None]，通过设置最大叶子节点数，可以防止过拟合。默认值None，默认情况下不设置最大叶子节点数。如果加了限制，算法会建立在最大叶子节点数内最优的决策树。如果特征不多，可以不考虑这个值，但是如果特征多，可以加限制，具体的值可以通过交叉验证得到。
DecisionTreeClassifier类主要包括两个方法：
-
clf.fit(train_data,train_target) 用来装载(train_data,train_target)训练数据，并训练分类模型。
-
pre = clf.predict(test_data) 用训练得到的决策树模型对test_data测试集进行预测分析。
三、用决策树来分析鸢尾花
3.1数据集
在Sklearn机器学习包中包含鸢尾花卉Iris数据集，它是一个很常用的数据集，共150行数据，包括四个特征变量：萼片长度、萼片宽度、花瓣长度、花瓣宽度。同时包括一个类别变量，将鸢尾花划分为三个类别，即：山鸢尾（Iris-setosa）、变色鸢尾（Iris-versicolor）、维吉尼亚鸢尾（Iris-virginica）。
鸢尾花数据集详细介绍如表所示：
iris数据集中包括两个属性iris.data和iris.target。其中，data数据是一个矩阵，每一列代表了萼片或花瓣的长宽，一共4列，每一行数据代表某个被测量的鸢尾植物，一共采样了150条记录。载入鸢尾花数据集代码如下所示：
from sklearn.datasets import load_iris # 导入数据集iris
iris = load_iris() # 载入数据集
# print(iris.data) # 输出iris数据
# print(iris.target) # 输出真实标签
3.2决策树分析鸢尾花
代码调用Sklearn机器学习包中DecisionTreeClassifier决策树算法进行分类分析，并绘制预测的散点图：
from sklearn.datasets import load_iris # 导入数据集iris
from sklearn.tree import DecisionTreeClassifier # 导入决策树DTC包
import numpy as np
import matplotlib.pyplot as plt
# 数据集
iris = load_iris()
# print(iris.data) # 输出数据集
print(iris.target) # 输出真实标签
print(len(iris.target)) # 输出真实标签的长度
print(iris.data.shape) # 150个样本 每个样本4个特征
# 模型
clf = DecisionTreeClassifier() # 构造决策模型
clf.fit(iris.data, iris.target) # 训练
predicted = clf.predict(iris.data) # 预测
# 获取花卉两列数据集
L1 = [x[0] for x in iris.data] # 获取了第一列数据集
L2 = [x[1] for x in iris.data] # 获取了第二列数据集
# 绘图
plt.scatter(L1, L2, c=predicted, marker='x') # cmap=plt.cm.Paired
plt.title("DTC")
plt.show()
输出为：
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
2 2 2 2 2 2 2 2 2 2]
150
(150, 4)
代码存在的缺点：
- 代码中通过“L1 = [x[0] for x in X]”获取了第一列和第二列数据集进行了分类分析和绘图，而真实的iris数据集中包括四个特征，那怎么绘制四个特征的图形呢？这就需要利用PCA降维技术处理。
- 第二个问题是在聚类、回归、分类模型中，都需要先进行训练，再对新的数据集进行预测，这里却是对整个数据集进行分类分析，而真实情况是需要把数据集划分为训练集和测试集的，例如数据集的70%用于训练、30%用于预测；或80%用于训练20%用于预测。
四、数据集划分和分类评估
主要是讲决策树分析鸢尾花代码的优化，对其数据集划分为预测集和训练集，以及对决策算法的分类评估。
Class 类别变量中0表示山鸢尾，1表示变色鸢尾，2表示维吉尼亚鸢尾。上述可知 print(iris.target) 为：
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
2 2]
调用NumPy库中的 concatenate() 函数对数据集进行挑选集成，选择第0-40行、第50-90行、第100-140行数据作为训练集，对应的类标作为训练样本类标；再选择第40-50行、第90-100行、第140-150行数据作为测试集合，对应的样本类标作为预测类标。代码如下：
# “axis=0”表示选取数值的等差间隔为0，即紧挨着获取数值。
#训练集
train_data = np.concatenate((iris.data[0:40, :], iris.data[50:90, :], iris.data[100:140, :]), axis = 0)
#训练集样本类别(真实标签)
train_target = np.concatenate((iris.target[0:40], iris.target[50:90], iris.target[100:140]), axis = 0)
#测试集
test_data = np.concatenate((iris.data[40:50, :], iris.data[90:100, :], iris.data[140:150, :]), axis = 0)
#测试集样本类别(真实标签)
test_target = np.concatenate((iris.target[40:50], iris.target[90:100], iris.target[140:150]), axis = 0)
调用sklearn机器学习包中metrics类对决策树分类算法进行评估，它将输出准确率（Precison）、召回率（Recall）、F特征值（F-score）、支持度（Support）等。
评价公式如下：
#输出准确率 召回率 F值
from sklearn import metrics
print(metrics.classification_report(test_target, predict_target))
print(metrics.confusion_matrix(test_target, predict_target))
分类报告函数为：
sklearn.metrics.classification_report(y_true,
y_pred,
labels=None,
target_names=None,
sample_weight=None,
digits=2)
参数作用：
y_true参数表示正确的分类类标，
y_pred表示分类预测的类标，
labels表示分类报告中显示的类标签的索引列表，
target_names参数显示与labels对应的名称，
digits是指定输出格式的精确度。
调用 metrics.classification_report() 方法对决策树算法进行评估后，会在最后一行将对所有指标进行加权平均值，代码如下：
from sklearn.datasets import load_iris # 导入数据集iris
from sklearn.tree import DecisionTreeClassifier # 导入决策树DTC包
from sklearn import metrics
import numpy as np
import matplotlib.pyplot as plt
#导入数据集iris
'''
重点：分割数据集 构造训练集/测试集，80/20
70%训练 0-40 50-90 100-140
30%预测 40-50 90-100 140-150
'''
iris = load_iris()
train_data = np.concatenate((iris.data[0:40, :], iris.data[50:90, :], iris.data[100:140, :]), axis = 0) # 训练集
train_target = np.concatenate((iris.target[0:40], iris.target[50:90], iris.target[100:140]), axis = 0) # 训练集样本类别
test_data = np.concatenate((iris.data[40:50, :], iris.data[90:100, :], iris.data[140:150, :]), axis = 0) # 测试集
test_target = np.concatenate((iris.target[40:50], iris.target[90:100], iris.target[140:150]), axis = 0) # 测试集样本类别
# 导入决策树DTC包
clf = DecisionTreeClassifier()
clf.fit(train_data, train_target) # 注意均使用训练数据集和样本类标
# print(clf)
predict_target = clf.predict(test_data) # 测试集
print(predict_target)
# 预测结果与真实结果比对
print(sum(predict_target == test_target))
# 输出准确率（Precison）、召回率（Recall）、F特征值（F-score）、支持度（Support）
print(metrics.classification_report(test_target, predict_target))
print(metrics.confusion_matrix(test_target, predict_target)) # 计算混淆矩阵
# 获取花卉测试数据集两列数据
X = test_data
L1 = [n[0] for n in X]
L2 = [n[1] for n in X]
# 绘制散点图
plt.scatter(L1, L2, c=predict_target, marker='x') #cmap=plt.cm.Paired
plt.title("DecisionTreeClassifier")
plt.show()
输出为结果如下，包括对数据集40-50、90-100、140-150的预测结果，接下来输出的“30”表示整个30组类标预测结果和真实结果是一致的，最后输出评估结果。
[0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2]
30
precision recall f1-score support
0 1.00 1.00 1.00 10
1 1.00 1.00 1.00 10
2 1.00 1.00 1.00 10
accuracy 1.00 30
macro avg 1.00 1.00 1.00 30
weighted avg 1.00 1.00 1.00 30
[[10 0 0]
[ 0 10 0]
[ 0 0 10]]
散点图为：
五、区域划分对比
将鸢尾花数据集共分为三个区域，最后进行散点图绘制对比。每个区域对应一类散点，表示预测结果和真实结果一致，如果某个区域混入其他类型的散点，则表示该点的预测结果与真实结果不一致。
决策树分类分析：
import matplotlib.pyplot as plt
import numpy as np
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
# 载入鸢尾花数据集
iris = load_iris()
X = X = iris.data[:, :2] # 获取花卉前两列数据
Y = iris.target
lr = DecisionTreeClassifier() # 决策树模型
lr.fit(X,Y) # 训练数据X，Y
# meshgrid函数生成两个网格矩阵
h = .02 # 步长h（设置为0.02）
x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5 # 取X二维数组的第一列（长度）的最小值、最大值
y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5 # 取X二维数组的第二列（长度）的最小值、最大值
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))# 先取上面x和y变为数组，再由meshgrid函数生成两个网格矩阵xx和yy
# pcolormesh函数将xx,yy两个网格矩阵和对应的预测结果Z绘制在图片上
Z = lr.predict(np.c_[xx.ravel(), yy.ravel()]) # 将xx和yy矩阵都变成两个一维数组，调用np.c_[]函数组合成一个二维数组进行预测
Z = Z.reshape(xx.shape) # 调用reshape()函数修改形状，将其Z转换为两个特征（长度和宽度）
plt.figure(1, figsize=(8,6))
plt.pcolormesh(xx, yy, Z, cmap=plt.cm.Paired) # 调用pcolormesh()函数来分类区域画图
# 绘制散点图
plt.scatter(X[:50,0], X[:50,1], color='red',marker='o', label='setosa')
# # 第一个参数为第一列数据（长度），第二个参数为第二列数据（宽度），第三、四个参数为设置点的颜色为红色，款式o为圆圈，最后标记为setosa。
plt.scatter(X[50:100,0], X[50:100,1], color='blue', marker='x', label='versicolor')
plt.scatter(X[100:,0], X[100:,1], color='green', marker='s', label='Virginica')
plt.xlabel('Sepal length') # x的标题
plt.ylabel('Sepal width') # y的标题
plt.xlim(xx.min(), xx.max()) # x轴的范围
plt.ylim(yy.min(), yy.max()) # y轴的范围
plt.xticks(()) # x轴的标度为空
plt.yticks(()) # y轴的标度为空
plt.legend(loc=2)
plt.show()
输出为：
代码部分细讲：
-
获取的鸢尾花两列数据，对应为萼片长度和萼片宽度，每个点的坐标就是(x,y)。先取X二维数组的第一列（长度）的最小值、最大值和步长h（设置为0.02）生成数组，再取X二维数组的第二列（宽度）的最小值、最大值和步长h生成数组，最后用meshgrid()函数生成两个网格矩阵xx和yy。
x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
print(xx)
print(yy)
# 输出为
[[3.8 3.82 3.84 ... 8.36 8.38 8.4 ]
[3.8 3.82 3.84 ... 8.36 8.38 8.4 ]
[3.8 3.82 3.84 ... 8.36 8.38 8.4 ]
...
[3.8 3.82 3.84 ... 8.36 8.38 8.4 ]
[3.8 3.82 3.84 ... 8.36 8.38 8.4 ]
[3.8 3.82 3.84 ... 8.36 8.38 8.4 ]]
-
调用ravel()函数将xx和yy的两个矩阵转变成一维数组，再进行预测分析。由于两个矩阵大小相等，因此两个一维数组大小也相等。np.c_[xx.ravel(), yy.ravel()]是生成矩阵。是先把第一列萼片长度数据按h取等分作为行，并复制多行得到xx网格矩阵；再把第二列萼片宽度数据按h取等分，作为列，并复制多列得到yy网格矩阵；最后将xx和yy矩阵都变成两个一维数组，调用np.c_[]函数组合成一个二维数组矩阵进行预测。
Z = lr.predict(np.c_[xx.ravel(), yy.ravel()]) # 将xx和yy矩阵都变成两个一维数组，调用np.c_[]函数组合成一个二维数组进行预测
print(xx.ravel())
print(yy.ravel())
print(np.c_[xx.ravel(), yy.ravel()])
print(Z)
# 输出为
XX为[3.8 3.82 3.84 ... 8.36 8.38 8.4 ]
yy为[1.5 1.5 1.5 ... 4.9 4.9 4.9]
二维数组矩阵为
[[3.8 1.5 ]
[3.82 1.5 ]
[3.84 1.5 ]
...
[8.36 4.9 ]
[8.38 4.9 ]
[8.4 4.9 ]]
预测值Z为[0 0 0 ... 2 2 2]
-
调用reshape()函数修改形状，将其Z转换为两个特征（长度和宽度），则39501个数据转换为171*231的矩阵。Z = Z.reshape(xx.shape)输出如下:
print(Z.size)
Z = Z.reshape(xx.shape) # 调用reshape()函数修改形状，将其Z转换为两个特征（长度和宽度）
print(Z)
# 输出为
size:39501
[[0 0 0 ... 2 2 2]
[0 0 0 ... 2 2 2]
[0 0 0 ... 2 2 2]
...
[0 0 0 ... 2 2 2]
[0 0 0 ... 2 2 2]
[0 0 0 ... 2 2 2]]
-
pcolormesh()函数将xx、yy两个网格矩阵和对应的预测结果Z绘制在图片上，输出为三个颜色区块，分别表示三类区域。cmap=plt.cm.Paired表示绘图样式选择Paired主题。
plt.pcolormesh(xx, yy, Z, cmap=plt.cm.Paired) # 调用pcolormesh()函数来分类区域画图
plt.show()
输出为：
六、使用pydotplus可视化决策树
- 这里给一个限制决策树层数为4的DecisionTreeClassifier例子。
from itertools import product
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.tree import DecisionTreeClassifier
# 仍然使用自带的iris数据
iris = datasets.load_iris()
X = iris.data[:, [0, 2]]
y = iris.target
# 训练模型，限制树的最大深度4
clf = DecisionTreeClassifier(max_depth=4)
#拟合模型
clf.fit(X, y)
# 画图
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.1),
np.arange(y_min, y_max, 0.1))
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, alpha=0.4)
plt.scatter(X[:, 0], X[:, 1], c=y, alpha=0.8)
plt.show()
决策树的散点图为：
- 接着我们可视化我们的决策树
from IPython.display import Image
from sklearn import tree
import pydotplus
dot_data = tree.export_graphviz(clf, out_file=None,
feature_names=iris.feature_names,
class_names=iris.target_names,
filled=True, rounded=True,
special_characters=True)
graph = pydotplus.graph_from_dot_data(dot_data)
Image(graph.create_png())
决策树可视化图为：
总结
- 随机森林：为了更好地解决泛化及树结构变动~ 等 ~问题，从决策树演进出来随机森林算法。根据 我们前面讲的模型集成方法，随机森林就是使用了 bagging 方案构建了多棵决策树，然后对所有 树的结果来进行平均计算以获得最终的结果。
- GBDT：在随机森林的基础上，研究者又提出了梯度提升决策树算法（Gradient Boosting Decision
Tree，GBDT），GBDT 是基于 boosting 的策略。与随机森林一样的是，GBDT 也会构 建多棵决策树；但不同的是，GBDT构建的多棵树之间是有联系的，每个分类器在上一轮分类器的 残差基础上进行训练。(后续会写到） - XGBoost：一个非常火热的模型，有 “机器学习大杀器” 之称，在很多比赛中都获得了非常好的结 果。但实际上 XGBoost不算是一个算法，而是对 GBDT 的一种工程实现，它优化了 GBDT 里面的
求解过程，并加入了很多工程上的优化项目，使得数据处理、运算速度等环节都有了很大的提升。
1524
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
