机器学习实战——基于Scikit-Learn和TensorFlow 阅读笔记 之 第六章：决策树

《机器学习实战——基于Scikit-Learn和TensorFlow》
这是一本非常好的机器学习和深度学习入门书，既有基本理论讲解，也有实战代码示例。
我将认真阅读此书，并为每一章内容做一个知识笔记。
我会摘录一些原书中的关键语句和代码，若有错误请为我指出。

第六章 决策树

决策树可以实现分类和回归任务，甚至是多输出任务。

1 决策树训练和可视化

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier

iris = load_iris()
X = iris.data[:, 2:] # petal length and width
y = iris.target

tree_clf = DecisionTreeClassifier(max_depth=2, random_state=42)
tree_clf.fit(X, y)

from sklearn.tree import export_graphviz

export_graphviz(
        tree_clf,
        out_file=image_path("iris_tree.dot"),
        feature_names=iris.feature_names[2:],
        class_names=iris.target_names,
        rounded=True,
        filled=True
    )

from matplotlib.colors import ListedColormap

def plot_decision_boundary(clf, X, y, axes=[0, 7.5, 0, 3], iris=True, legend=False, plot_training=True):
    x1s = np.linspace(axes[0], axes[1], 100)
    x2s = np.linspace(axes[2], axes[3], 100)
    x1, x2 = np.meshgrid(x1s, x2s)
    X_new = np.c_[x1.ravel(), x2.ravel()]
    y_pred = clf.predict(X_new).reshape(x1.shape)
    custom_cmap = ListedColormap(['#fafab0','#9898ff','#a0faa0'])
    plt.contourf(x1, x2, y_pred, alpha=0.3, cmap=custom_cmap)
    if not iris:
        custom_cmap2 = ListedColormap(['#7d7d58','#4c4c7f','#507d50'])
        plt.contour(x1, x2, y_pred, cmap=custom_cmap2, alpha=0.8)
    if plot_training:
        plt.plot(X[:, 0][y==0], X[:, 1][y==0], "yo", label="Iris-Setosa")
        plt.plot(X[:, 0][y==1], X[:, 1][y==1], "bs", label="Iris-Versicolor")
        plt.plot(X[:, 0][y==2], X[:, 1][y==2], "g^", label="Iris-Virginica")
        plt.axis(axes)
    if iris:
        plt.xlabel("Petal length", fontsize=14)
        plt.ylabel("Petal width", fontsize=14)
    else:
        plt.xlabel(r"$x_1$", fontsize=18)
        plt.ylabel(r"$x_2$", fontsize=18, rotation=0)
    if legend:
        plt.legend(loc="lower right", fontsize=14)

plt.figure(figsize=(8, 4))
plot_decision_boundary(tree_clf, X, y)
plt.plot([2.45, 2.45], [0, 3], "k-", linewidth=2)
plt.plot([2.45, 7.5], [1.75, 1.75], "k--", linewidth=2)
plt.plot([4.95, 4.95], [0, 1.75], "k:", linewidth=2)
plt.plot([4.85, 4.85], [1.75, 3], "k:", linewidth=2)
plt.text(1.40, 1.0, "Depth=0", fontsize=15)
plt.text(3.2, 1.80, "Depth=1", fontsize=13)
plt.text(4.05, 0.5, "(Depth=2)", fontsize=11)

save_fig("decision_tree_decision_boundaries_plot")
plt.show()

2 做出预测

决策树的特质之一就是它们需要的数据准备工作非常少。
特别是。完全不需要进行特征缩放或集中。

基尼不纯度计算。

白盒模型：直观易解释，决策树。
黑盒模型：难以解释，随机森林，神经网络。

3 估算类别概率

找到某实例的叶节点，该节点中某类别的实例占比就是输入该类别的概率。

4 CART训练算法

scikit-learn使用的是 分类与回归树 。

首先，使用单个特征k和阈值t_k将训练集分成两个子集。
CART分类成本函数：
$$J(k,t_k)=\frac{m_{left}}{m}{G}_{left}+\frac{m_{right}}{m}{G}_{right}$$
G_left和G_eight衡量左右子树的不纯度。

不断一分为二，直到抵达最大深度，或是再也找不到能够降低不纯度的分裂才会停止。

CART是一种贪婪算法。

5 计算复杂度

决策树大致平衡，通过从根节点到叶节点进行预测需要经历约O(log_2(m))个节点。

预测复杂度和特征数量无关，即便是大型数据集预测也很快。

但是在训练时，由于训练每一个节点都需要在样本上比较所有特征，导致复杂度为O(nmlog(m))。

对于小型训练集，scikitl-learn可以通过对数据预处理来加快训练，但是对于较大训练集而言，可能会减慢训练的速度。

6 基尼不纯度还是信息熵

默认使用基尼不纯度进行测量，但是可以将超参数criterion设置为entropy来选择 信息熵 作为不纯度的测量方式。

如果数据集中仅包含一个类别的实例，则熵为零。

计算公式略。

7 正则化超参数

决策树极少地对训练数据做出假设，如果不加以限制，树的结构将跟随训练集变化，严密拟合，并且很可能过度拟合。

这种模型是 非参数模型 ，训练之前没有确定参数的数量，导致模型结构自由而紧密地贴近数据。
参数模型 则预先定好部分参数，自由度受限，降低了过度拟合的风险。

在scikit-learn中，使用超参数max_depth可以使模型正则化，降低过度拟合的风险。同样还有其他超参数。

或可以先通过不加限制地训练模型，再对不必要的节点进行剪枝。

from sklearn.datasets import make_moons
Xm, ym = make_moons(n_samples=100, noise=0.25, random_state=53)

deep_tree_clf1 = DecisionTreeClassifier(random_state=42)
deep_tree_clf2 = DecisionTreeClassifier(min_samples_leaf=4, random_state=42)
deep_tree_clf1.fit(Xm, ym)
deep_tree_clf2.fit(Xm, ym)

plt.figure(figsize=(11, 4))
plt.subplot(121)
plot_decision_boundary(deep_tree_clf1, Xm, ym, axes=[-1.5, 2.5, -1, 1.5], iris=False)
plt.title("No restrictions", fontsize=16)
plt.subplot(122)
plot_decision_boundary(deep_tree_clf2, Xm, ym, axes=[-1.5, 2.5, -1, 1.5], iris=False)
plt.title("min_samples_leaf = {}".format(deep_tree_clf2.min_samples_leaf), fontsize=14)

save_fig("min_samples_leaf_plot")
plt.show()

8 回归

可用DecisionTreeRegressor来构建一个回归树。

# Quadratic training set + noise
np.random.seed(42)
m = 200
X = np.random.rand(m, 1)
y = 4 * (X - 0.5) ** 2
y = y + np.random.randn(m, 1) / 10

from sklearn.tree import DecisionTreeRegressor

tree_reg = DecisionTreeRegressor(max_depth=2, random_state=42)
tree_reg.fit(X, y)

预测值等于该区域内实例的目标平均值。

回归问题也容易过度拟合，需要正则化。

9 不稳定性

决策树的缺点之一：青睐正交的决策边界，使得对于训练集的旋转非常敏感。
可使用PCA来让训练数据定位在一个更好的方向上。

决策树对于训练数据中的小变化非常敏感。
随机森林可限制这种不稳定性。