PYTHON建模——决策树用户分群 CART回归树图

PYTHON建模——决策树用户分群 CART回归树图

from sklearn import tree
import pydotplus
from IPython.display import Image
from six import StringIO

Dtree = tree.DecisionTreeRegressor(max_depth=3,min_samples_leaf=500,min_samples_split=5000)
dtree = Dtree.fit(x,y)#变量与标签
with open("dt.dot","w")as f:
    tree.export_graphviz(dtree,out_file = f)
dot_data = StringIO()
tree.export_graphviz(dtree,out_file=dot_data,
                    feature_names = x.columns,
                    class_names = ['y'],
                    filled = True,rounded = True,
                    special_characters = True)
graph = pydotplus.graph_from_dot_data(dot_data.getvalue())
Image(graph.create_png())

注意处理缺失值。
CART决策树也称分类树
变量涉及敏感所以有了万恶之源

数据中标签记为y，0为好客户，1为坏客户。
决策树将用户群氛围6个群体，使得6个子群之间的差异足够大。

CART回归树的节点预测属性value表示当前子群中目标变量的均值。而当前案例中，目标变量的均值等价于标签为1的样本占当前子群样本的比例。图中可以看出，决策树将原始样本群划分为3个子群，其负样本占比依次为0.072、0.103、0.178、0.096、0.127、0.219。

对于这类直接建模效果不好的数据集，通过决策树分层后在其子空间建模，有可能获取更好的结果。

摘抄自《智能风控》