机器学习算法基础5-决策树与随机森林

最新推荐文章于 2022-08-23 16:31:19 发布

qq_42749341

最新推荐文章于 2022-08-23 16:31:19 发布

阅读量341

点赞数

分类专栏：机器学习-基础知识

本文链接：https://blog.csdn.net/qq_42749341/article/details/107866896

版权

机器学习-基础知识专栏收录该内容

36 篇文章 1 订阅

订阅专栏

决策树与随机森林

一、决策树

决策树思想的来源非常朴素，程序设计中的条件分支结构就是if-then结构，最早的决策树就是利用这类结构分割数据的一种分类学习方法

1.决策树之信息论基础

信息熵的概念

案例：每猜一次给一块钱，告诉我是否猜对了，那么我需要掏多少钱才能知道谁是冠军？
我可以把球编上号，从1到32，然后提问：冠军在1-16号吗？依次询问，只需要五次，
就可以知道结果。
该案例中信息熵为：
H = -(p1logp1 + p2logp2 + … + p32log32)

信息和消除不确定性是相联系的，即信息熵越大，不确定性越大

H的专业术语称之为信息熵，单位为比特。
公式：
在这里插入图片描述

在这里插入图片描述

2.决策树的划分依据- 信息增益

决策树的分类依据之一：信息增益
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

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：
在这里插入图片描述

信息增益计算
在这里插入图片描述

3.常见决策树使用的算法

ID3
信息增益 最大的准则
C4.5
信息增益比最大的准则
CART
回归树: 平方误差最小
分类树: 基尼系数 ，划分更加仔细最小的准则在sklearn中可以选择划分的原则

4.sklearn决策树API

# 决策树分类器
class sklearn.tree.DecisionTreeClassifier(criterion=’gini’, max_depth=None,
random_state=None)

# 参数介绍
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

# 方法
decision_path:返回决策树

5.决策树案例-泰坦尼克号乘客生存分类

泰坦尼克号乘客生存分类模型流程：

1、pd读取数据
2、选择有影响的特征，处理缺失值（age数据存在缺失）
特征值pclass-社会经济阶层的代表-字符串
特征值age-年龄-浮点数
特征值sex-性别
目标值survived-存活-布尔类型（0、1）
3、进行特征工程，pd转换字典，特征抽取；x_train.to_dict(orient=“records”)
4、决策树估计器流程

决策树的结构、本地保存：

1、sklearn.tree.export_graphviz() 该函数能够导出DOT格式
tree.export_graphviz(estimator,out_file='tree.dot’,feature_names=[‘’,’’])
2、工具:(能够将dot文件转换为pdf、png)
安装graphviz(这个模块不好安装)
这个功能太鸡肋了。所以这个包都没人用了，停止维护好久了。还是停留在很老的版本。和很多内置的包都不匹配了。
3、运行命令
然后我们运行这个命令
$ dot -Tpng tree.dot -o tree.png

# 决策树对泰坦尼克号乘客生存进行分类
import pandas as pd
from sklearn.feature_extraction import DictVectorizer
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier, export_graphviz

def decision():
    '''泰坦尼克号乘客生存分析
    :return'''
    # 一、pd读取数据
    titanic = pd.read_csv("http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt")

    # 二、处理数据
    # 1.取出特征值与目标值
    x = titanic[['pclass', 'age',  'sex']]
    y = titanic['survived']

    # 2.处理缺失值
    x['age'].fillna(x['age'].mean(), inplace= True)
    # 3.分割数据集到训练集与测试集
    x_train, x_test, y_train, y_test = train_test_split(x, y ,test_size=0.25)

    # 三、进行特征工程
    # 1.特征抽取
    # 将有类别特征的数据转换成字典数据，x_train.to_dict(orient = 'records')
    # 然后再把字典中一些类别数据，分别转换成特征(one-hot编码)
    dict = DictVectorizer(sparse= False)
    x_train = dict.fit_transform(x_train.to_dict(orient = 'records'))

    # transform按照原先标准转换
    x_test = dict.transform(x_test.to_dict(orient = 'records'))

    # 返回类别数据
    print(dict.get_feature_names())
    print(x_train)

    # 四、决策树估计器流程
    dec = DecisionTreeClassifier()

    dec.fit(x_train, y_train)

    # 得到预测结果
    print('预测结果为：\n',dec.predict(x_test))
    # 预测准确率
    print('预测准确率为：\n',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', '二等', '三等', '女', '男'])

    return None

if __name__ == '__main__':
    decision()

# ['age', 'pclass=1st', 'pclass=2nd', 'pclass=3rd', 'sex=female', 'sex=male']
# [[ 9.          0.          0.          1.          0.          1.        ]
#  [31.19418104  1.          0.          0.          0.          1.        ]
#  [59.          1.          0.          0.          1.          0.        ]
#  ...
#  [21.          0.          0.          1.          0.          1.        ]
#  [31.19418104  0.          0.          1.          1.          0.        ]
#  [31.19418104  0.          0.          1.          0.          1.        ]]
# 预测结果为：
#  [0 0 0 0 0 0 0 1 1 1 0 0 0 1 0 1 0 0 0 0 1 0 1 0 0 0 1 0 0 0 0 0 1 1 1 0 0
#  1 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 1 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0
#  0 0 0 0 0 0 1 1 0 0 1 0 0 0 0 0 0 1 1 0 0 1 0 0 1 0 0 0 0 0 1 0 0 1 0 0 0
#  0 1 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 1 0 1 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1 1 0
#  0 0 0 1 0 0 0 0 0 1 0 0 1 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
#  0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 1 0 0 0 0 0 0 1 0 1 0 1 1 1 0 0 0 0 0
#  0 0 0 1 1 0 0 1 0 0 0 1 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 1 0
#  0 0 1 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0
#  0 0 1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 1 0 0 0 0 0]
# 预测准确率为：
#  0.7963525835866262

决策树的结构、本地保存

1、sklearn.tree.export_graphviz() 该函数能够导出DOT格式
tree.export_graphviz(estimator,out_file='tree.dot’,feature_names=[‘’,’’])
2、工具:(能够将dot文件转换为pdf、png)
安装graphviz
ubuntu:sudo apt-get install graphviz Mac:brew install graphviz
3、运行命令
然后我们运行这个命令
$ dot -Tpng tree.dot -o tree.png
（Windows参考：https://www.cnblogs.com/onemorepoint/p/8310996.html）

6.决策树的优点与缺点

注：企业重要决策，由于决策树很好得分析能力，在决策过程应用较多
优点：
1.简单的理解和解释，树木可视化。
2 。需要很少的数据准备，其他技术通常需要数据归一化，
缺点：
1.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。
2.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
** **：

减枝cart算法（决策树API当中已经实现，随机森林参数调优有相关介绍）

当样例少于多少或者大于得枝删掉
随机森林

二、随机森林-集成学习方法

1.集成学习方法、随机森林的概念

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？
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。

2.算法原理介绍

学习算法
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。

1.从N个训练用例（样本）中以有放回抽样的方式每次取一个，取样N次，形成一个训练集（即bootstrap取样：随机有放回的抽样），并用未抽到的用例（样本）作预测，评估其误差。
2.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。

为什么要随机抽样训练集？　　
如果不进行随机抽样，每棵树的训练集都一样，那么最终训练出的树分类结果也是完全一样的

为什么要有放回地抽样？
如果不是有放回的抽样，那么每棵树的训练样本都是不同的，都是没有交集的，这样每棵树都是“有偏的”，都是绝对“片面的”（当然这样说可能不对），也就是说每棵树训练出来都是有很大的差异的；而随机森林最后分类取决于多棵树（弱分类器）的投票表决。

3.集成学习API

# 随机森林分类器
#ensemble集成学
class sklearn.ensemble.RandomForestClassifier(n_estimators=10, 
criterion=’gini’,max_depth=None, bootstrap=True, random_state=None)

# 参数
n_estimators：integer，optional（default = 10） 森林里的树木数量
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
bootstrap：boolean，optional（default = True）是否在构建树时使用放回抽样
max_features = "auto",每个决策树的最大特征数量

超参数：n_estimators：决策树的数量100,200,300,500,800,1200
max_depth：每棵树的深度限制5,8,15,25,30
在这里插入图片描述

4. 随机森林调优-泰坦尼克号乘客生存分析

# 随机森林调优-泰坦尼克号乘客生存分析
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction import DictVectorizer
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV

def forest():
    '''
    随机森林模型选择与调优
    :return:
    '''
    # 一.读取数据
    titanic = pd.read_csv("http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt")

    # 二、处理数据

    # 1.提取特征值与目标值
    x = titanic[['pclass','age','sex']]
    y = titanic['survived']

    # 2.处理age中的缺失值
    x['age'].fillna(x['age'].mean(),inplace=True)

    # 3.分割数据集  训练集与测试集、
    x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.25)

    # 三、进行特征工程

    # 特征抽取
    # 将特征值的类别特征数据转换成字典数据
    # 再将类别数据转换成one-hot编码
    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'))
    # 返回类别数据
    print(dict.get_feature_names())
    print(x_train)

    # 四、随机森林-模型的选择与调优

    # 1.构造实例
    rf = RandomForestClassifier()
    # 2.交叉验证与网格搜索
    param = {'n_estimators':[100,200,300,500,800,1200],'max_depth':[5,8,15,25,30 ]}
    gc = GridSearchCV(rf,param_grid=param,cv=5)

    gc.fit(x_train,y_train)
    # 准确率
    print('准确率是:\n',gc.score(x_test,y_test))
    # 在交叉验证中最好的结果
    print('交叉验证中最好的结果是：\n',gc.best_score_)
    # 最好的参数模型
    print('最好的参数模型：\n',gc.best_estimator_)
    # 查看选择的参数模型
    print('查看选择的参数模型:\n',gc.best_params_)


if __name__ == '__main__':
    forest()
    

# ['age', 'pclass=1st', 'pclass=2nd', 'pclass=3rd', 'sex=female', 'sex=male']
# [[53.          0.          1.          0.          1.          0.        ]
#  [31.19418104  0.          0.          1.          0.          1.        ]
#  [31.19418104  0.          0.          1.          0.          1.        ]
#  ...
#  [31.19418104  1.          0.          0.          1.          0.        ]
#  [31.19418104  0.          0.          1.          0.          1.        ]
#  [25.          1.          0.          0.          0.          1.        ]]
# 准确率是:
#  0.8267477203647416
# 交叉验证中最好的结果是：
#  0.8201219512195121
# 最好的参数模型：
#  RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
#             max_depth=5, max_features='auto', max_leaf_nodes=None,
#             min_impurity_decrease=0.0, min_impurity_split=None,
#             min_samples_leaf=1, min_samples_split=2,
#             min_weight_fraction_leaf=0.0, n_estimators=800, n_jobs=None,
#             oob_score=False, random_state=None, verbose=0,
#             warm_start=False)
# 查看选择的参数模型:
#  {'max_depth': 5, 'n_estimators': 800}

5.随机森林的优点与缺点

随机森林的优点：

1.在当前所有算法中，具有极好的准确率
2.能够有效地运行在大数据集上
3.能够处理具有高维特征的输入样本，而且不需要降维
4.能够评估各个特征在分类问题上的重要性
5.对于缺省值问题也能够获得很好得结果

qq_42749341

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
机器学习算法基础5-决策树与随机森林

目录决策树与随机森林一、决策树1.决策树之信息论基础2.决策树的划分依据- 信息增益3.常见决策树使用的算法4.sklearn决策树API5.决策树案例-泰坦尼克号乘客生存分类6.决策树的优点与缺点二、随机森林-集成学习方法1.集成学习方法、随机森林的概念2.算法原理介绍3.集成学习API4. 随机森林调优-泰坦尼克号乘客生存分析5.随机森林的优点与缺点决策树与随机森林一、决策树1.决策树之信息论基础信息熵的概念案例：每猜一次给一块钱，告诉我是否猜对了，那么我需要掏多少钱才能知道谁是冠军？我可以
复制链接

扫一扫

专栏目录