1. 信息论的基础 - 香农
1.1. 信息熵
32支球队,log32=5比特
64支球队,log64=6比特
-
“谁是世界杯冠军”的信息量应该比5比特少
。香农指出,它的准确信息量应该是:H = -(p1logp1 + p2logp2 + ... + p32log32)
- H的专业术语称之为
信息熵
,单位为比特 - 公式:
H = -(p1logp1 + p2logp2 + ... + p32log32)
- 当这32支球队夺冠的几率相同时, 对应的信息熵等于5比特
- H的专业术语称之为
-
信息和消除不确定性是相联系的
“谁是世界杯冠军”的信息量应该比5比特少
1.2. 决策树的划分依据之一信息增益
-
信息增益表示得知特征X的信息而使得类Y的信息的不确定性减少的程度
-
特征A对训练数据集D的
信息增益g(D,A)
,定义为集合D的信息熵H(D)与特征A给定条件下D的信息条件熵H(D|A)之差- 公式:g(D, A) = H(D) - H(D|A)
ID 年龄 有工作 有自己的房子 信货情况 类别
1 青年 否 否 -般 否
2 青年 否 否 好 否
3 青年 是 否 好 是
4 青年 是 是 -般 是
5 青年 否 否 -般 否
6 中年 否 否 -般 否
7 中年 否 否 好 否
8 中年 是 是 好 是
9 中年 否 是 非常好 是
10 中年 否 是 非常好 是
11 老年 否 是 非常好 是
12 老年 否 是 好 是
13 老年 是 否 好 是
14 老年 是 否 非常好 是
15 老年 否 否 -般 否
-
总的经验熵H(D) = -(9/15)log(9/15)-(6/15)log(6/15) = 0.971
-
年龄的信息增益: g(D, 年龄) = H(D) - [(5/15)H(D1)+(5/15)H(D2)+(5/15)H(D3)]
- H(D1) = -(2/5)log(2/5)-(3/5)log(3/5)
- H(D2) = -(3/5)log(3/5)-(2/5)log(2/5)
- H(D3) = -(4/5)log(4/5)-(1/5)log(1/5)
-
同理其他的也可以计算出来,g(D,A2)=0.324,g(D,A3)=0.420,g(D,A4)=0.363,相比较来说其中特征A3 (有自
己的房子)的信息增益最大,所以我们选择特征A3为最有特征
1.3. ID3
- 信息增益 最大的准则
1.4. C4.5
- 信息增益比 最大的准则
1.5. CART
- 回归树: 平方误差 最小
- 分类树: 基尼系数 最小的准则 在sklearn中默认的划分原则
2. sklearn决策树API
- class sklearn.tree.DecisionTreeClassifier(criterion=’gini’,max_depth=None,random_state=None)
- 决策树分类器
- criterion:默认是’gini’系数,也可以选择信息增益的熵’entropy’
- max_depth:树的深度大小
- random_state:随机数种子
- method:
- decision_path:返回决策树的路径
3. 泰坦尼克号乘客生存分类模型
import pandas as pd
import numpy as np
from sklearn.feature_extraction import DictVectorizer
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
# 读取数据
titan = pd.read_csv("http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt")
# 获取特征属性
x = titan[['pclass', 'age', 'sex']]
# 获取目标值
y = titan['survived']
# 缺失值处理
x['age'].fillna(x['age'].mean(), inplace=True)
# 分割数据集为训练集,测试集
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)
# 特征工程
dict = DictVectorizer(sparse=False)
x_train = dict.fit_transform(x_train.to_dict(orient='records'))
x_test = dict.transform(x_test.to_dict(orient='records'))
print(dict.get_feature_names())
# 决策树估计器流程
dec = DecisionTreeClassifier(max_depth=5)
dec.fit(x_train, y_train)
print("预测准确率:", dec.score(x_test, y_test))
4. 决策树的结构、本地保存
-
sklearn.tree.export_graphviz() 该函数能够导出DOT格式
- export_graphviz(dec, out_file="./tree.dot", feature_names=[‘年龄’, ‘一等舱’, ‘二等舱’, ‘三等舱’, ‘女性’, ‘男性’])
-
安装graphviz
- yum -y install graphviz
-
运行命令
- dot -Tpng tree.dot -o tree.png
-
完整代码
import pandas as pd
import numpy as np
from sklearn.feature_extraction import DictVectorizer
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier, export_graphviz
# 读取数据
titan = pd.read_csv("http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt")
# 获取特征属性
x = titan[['pclass', 'age', 'sex']]
# 获取目标值
y = titan['survived']
# 缺失值处理
x['age'].fillna(x['age'].mean(), inplace=True)
# 分割数据集为训练集,测试集
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)
# 特征工程
dict = DictVectorizer(sparse=False)
x_train = dict.fit_transform(x_train.to_dict(orient='records'))
x_test = dict.transform(x_test.to_dict(orient='records'))
print(dict.get_feature_names())
# 决策树估计器流程
dec = DecisionTreeClassifier()
dec.fit(x_train, y_train)
print("预测准确率:", dec.score(x_test, y_test))
# 导出决策树的结构
export_graphviz(dec, out_file="./tree.dot", feature_names=['年龄', '一等舱', '二等舱', '三等舱', '女性', '男性'])
5. 决策树的优缺点以及改进
-
优点
- 简单的理解和解释,树木可视化。
- 需要很少的数据准备,其他技术通常需要数据归一化
-
缺点
- 决策树学习者可以创建不能很好地推广数据的过于复杂的树,这被称为过拟合。
- 决策树可能不稳定,因为数据的小变化可能会导致完全不同的树被生成
-
改进
- 减枝cart算法
随机森林
6. 集成学习方法 - 随机森林
-
集成学习方法
- 集成学习通过建立几个模型组合的来解决单一预测问题。它的工作原理是生成多个分类器/模型,各自独立地学习和作出预测。这些预测最后结合成单预测,因此优于任何一个单分类的做出预测。
-
什么是随机森林
- 在机器学习中,随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。
-
随机森林的过程、优势
-
随机森林建立多个决策树的过程
- 随机抽样训练集
- 有放回地抽样
-
随机森林的优点
- 在当前所有算法中,具有极好的准确率
- 能够有效地运行在大数据集上(特征数多,样本数多)
- 能够处理具有高维特征的输入样本,而且不需要降维
- 能够评估各个特征在分类问题上的重要性
- 对于缺省值问题也能够获得很好得结果
-
-
集成学习API
- class sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’,max_depth=None, bootstrap=True, random_state=None)
- 随机森林分类器
- n_estimators:integer,optional(default = 10) 森林里的树木数量120,200,300,500,800,1200
- criteria:string,可选(default =“gini”)分割特征的测量方法
- max_depth:integer或None,可选(默认=无)树的最大深度 5, 8 , 15, 25, 30
- bootstrap:boolean,optional(default = True)是否在构建树时使用放回抽样
- max_feature=“auto”, 每个决策树的最大特征数量
-
泰坦尼克号乘客生存分类分析(网格搜索与交叉验证)
import pandas as pd
import numpy as np
from sklearn.feature_extraction import DictVectorizer
from sklearn.model_selection import train_test_split,GridSearchCV
from sklearn.tree import DecisionTreeClassifier, export_graphviz
from sklearn.ensemble import RandomForestClassifier
# 读取数据
titan = pd.read_csv("http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt")
# 获取特征属性
x = titan[['pclass', 'age', 'sex']]
# 获取目标值
y = titan['survived']
# 缺失值处理
x['age'].fillna(x['age'].mean(), inplace=True)
# 分割数据集为训练集,测试集
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)
# 特征工程
dict = DictVectorizer(sparse=False)
x_train = dict.fit_transform(x_train.to_dict(orient='records'))
x_test = dict.transform(x_test.to_dict(orient='records'))
print(dict.get_feature_names())
# 随机森林进行预测(差参数优化)
rf = RandomForestClassifier()
param = {'n_estimators':[120, 200, 300, 500, 800, 1200], 'max_depth':[5, 8, 15, 25, 30]}
gc = GridSearchCV(estimator=rf, param_grid=param, cv=2)
gc.fit(x_train, y_train)
print("准确率:", gc.score(x_test, y_test))
print("查看选择的参数模型:", gc.best_estimator_)
- 注意: titan.loc[titan.age.isna()] = titan.age.mean()