决策树算法介绍
以对世界杯球队冠军预测为例,若有32只队伍,如果采用二分法进行预测,最多需要5次才可以得出冠军队伍
32支球队,log32=5比特
64支球队,log64=6比特
信息熵
“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:
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
决策树的划分依据之一-信息增益
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,即公式为
注: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,即信息增益越大,信息的不确定性越小,而信息熵是度量信息混乱程度的,即信息熵越大,信息的不确定性越大。
信息增益的计算
以银行贷款数据为例:
获取数据
数据:http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt
将数据复制并保存在txt文本中即可使用!
完整代码
import pandas as pd
from sklearn.feature_extraction import DictVectorizer
from sklearn.model_selection import train_test_split,GridSearchCV
from sklearn.tree import DecisionTreeClassifier
def decision():
'''
决策树对泰坦尼克号预测生死
:return:
'''
#读取数据
data = pd.read_csv("./泰坦尼克号.txt")
#处理数据,找出特征值和目标值
x = data[['pclass','age','sex']]
y = data['survived']
#缺失值处理
x['age'].fillna(x['age'].mean(),inplace=True)
#对数据进行训练集和测试集拆分
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.25)
#进行处理(特征工程)类别-》One-hot编码
dic = DictVectorizer(sparse=False)
x_train = dic.fit_transform(x_train.to_dict(orient='records'))
x_test = dic.transform(x_test.to_dict(orient='records'))
#用决策树进行预测
dec = DecisionTreeClassifier()
#网格搜索交叉验证
param = {"max_depth":[5,8,10,15]}
gc = GridSearchCV(estimator=dec,param_grid=param,cv = 10)
gc.fit(x_train,y_train)
print("准确率:", gc.score(x_test, y_test))
print("在交叉验证中最好的结果:", gc.best_score_)
print("在交叉验证中最好的模型:", gc.best_estimator_)
print("每个超参数每次交叉验证的结果:", gc.cv_results_)
# dec.fit(x_train,y_train)
#
# print("准确率:",dec.score(x_test,y_test))
return None
if __name__ == "__main__":
decision()
预测结果
经过网格搜索可知,当max_depth = 5时,此时预测的准确率更高
随机森林预测
定义: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。
根据下列算法而建造每棵树:
用N来表示训练用例(样本)的个数,M表示特征数目。
输入特征数目m,用于确定决策树上一个节点的决策结果;其中m应远小于M。
从N个训练用例(样本)中以有放回抽样的方式,取样N次,形成一个训练集(即bootstrap取样),并用未抽到的用例(样本)作预测,评估其误差。
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
- 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
完整代码:
import pandas as pd
from sklearn.feature_extraction import DictVectorizer
from sklearn.model_selection import train_test_split,GridSearchCV
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
def decision():
'''
决策树对泰坦尼克号预测生死
:return:
'''
#读取数据
data = pd.read_csv("./泰坦尼克号.txt")
#处理数据,找出特征值和目标值
x = data[['pclass','age','sex']]
y = data['survived']
#缺失值处理
x['age'].fillna(x['age'].mean(),inplace=True)
#对数据进行训练集和测试集拆分
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.25)
#进行处理(特征工程)类别-》One-hot编码
dic = DictVectorizer(sparse=False)
x_train = dic.fit_transform(x_train.to_dict(orient='records'))
x_test = dic.transform(x_test.to_dict(orient='records'))
#用决策树进行预测
# dec = DecisionTreeClassifier()
# #网格搜索交叉验证
# param = {"max_depth":[5,8,10,15]}
# gc = GridSearchCV(estimator=dec,param_grid=param,cv = 10)
#
# gc.fit(x_train,y_train)
#
# print("准确率:", gc.score(x_test, y_test))
# print("在交叉验证中最好的结果:", gc.best_score_)
# print("在交叉验证中最好的模型:", gc.best_estimator_)
# print("每个超参数每次交叉验证的结果:", gc.cv_results_)
# # dec.fit(x_train,y_train)
# #
# # print("准确率:",dec.score(x_test,y_test))
#使用随机森林进行预测(超参数调优)
rc = RandomForestClassifier()
#使用网格搜索和交叉验证
param = {"n_estimators": [120, 200, 300, 500, 800, 1200], "max_depth": [5, 8, 15, 25, 30]}
gc = GridSearchCV(rc,param_grid=param,cv = 10)
#使用训练集的数据训练模型
gc.fit(x_train,y_train)
print("准确率为:",gc.score(x_test,y_test))
print("查看选择的参数模型:",gc.best_params_)
return None
if __name__ == "__main__":
decision()
预测结果: