一 基本概念:
根节点: 第一个选择点
叶子节点: 最终的决策结果
非叶子节点和分支:中间过程
熵:来源于化学的概念,随机变量的不大确定性的度量。不确定性越大,熵越大。计算公式
比如,一枚硬币投掷一次,正负的概率都是0.5 ,那么熵计算公式:
H(x)=-(0.5log2 0.5+0.5log2 0.5)=1.0
信息增益:熵减少的量。
父节点熵-(子节点的熵的加权平均)=信息增益
信息增益最大的选择就是熵减少最多的选择,可以用来当做决策树的父节点。
剪枝策略
预剪枝:限制深度,叶子节点个数,叶子节点样本数,信息增益
后剪枝: 通过一定的计算方式
参数调节:
①评价模型的方式,是用熵,还是gini系数
④决策树预剪枝,最大子叶深度。防止过拟合
⑤ 分裂到一级,发现下级样本只有n个,不再分裂。是一个非常重要的参数
⑥ 子叶点最少样本数。样本非常大的时候才会使用
代码示例: 加利福尼亚房价
#!/usr/bin/env python
# encoding: utf-8
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.datasets.california_housing import fetch_california_housing
housing=fetch_california_housing()
print(housing)
from sklearn import tree
dtr=tree.DecisionTreeRegressor(max_depth=2)
print('-----------result---------------')
dtr.fit(housing.data[:,[6,7]],housing.target ) # 里面是x,y
# ------------------------可视化展示 http://www.graphviz.org/
# dot_date=\
# tree.export_graphviz(
# dtr,
# out_file=None,
# feature_names=housing.feature_name[6:8],
# filled=True,
# impurity=False,
# rounded=True
# )
#
# import pydotplus as pps
# graph=pps.graph_from_dot_data(dot_date)
# graph.get_nodes()[7].set_fillcolor('#FFF2DD')
# from IPython.display import Image as iggg
# iggg(graph.create_png())
# graph.write_png("result.png")
#-----------------------参数自动调优
from sklearn.model_selection import train_test_split
data_train,data_test,target_train,target_test=train_test_split(housing.data,housing.target,test_size=0.1,random_state=42)
dtr=tree.DecisionTreeRegressor(random_state=42)
dtr.fit(data_train,target_train)
sc1=dtr.score(data_test,target_test) #
print(sc1)
from sklearn.ensemble import RandomForestRegressor
rfr=RandomForestRegressor(random_state=42)
rfr.fit(data_train,target_train)
sc2=rfr.score(data_test,target_test)
print( sc2)
# --------------------- 遍历参数选择最优, GridSearchCV
from sklearn.model_selection import GridSearchCV as gcv
tree_param_grid={'min_samples_split':list((3,6,9)),'n_estimators':list((10,50,100))} #n值
grid=gcv(RandomForestRegressor(),param_grid=tree_param_grid,cv=5) #cv交叉验证的次数
grid.fit(data_train,target_train)
print('-------------gcv选择结果---------')
print(
grid.best_score_,grid.best_params_, grid.scorer_
)
其中 GridSearchCV 用来做最优化参数选择,cv是交叉验证的次数。
参考:https://blog.csdn.net/qq_29003925/article/details/75222560