一、分类算法——决策树
1,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。
信息和消除不确定性是相联系的。
2,决策树划分依据之信息增益
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:
g(D,A)=H(D)-H(D|A)
注意: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。
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:基尼系数最小的准测,在sklearn 中可以选择划分的原则。
sklearn决策树API:
决策树的结构、本地保存:
import pandas as pd
from sklearn.datasets import load_iris,fetch_20newsgroups,load_boston
from sklearn.model_selection import train_test_split,GridSearchCV
from sklearn.neighbors import KNeighborsClassifier
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import classification_report
from sklearn.feature_extraction import DictVectorizer
from sklearn.tree import DecisionTreeClassifier,export_graphviz
def decision():
"""
决策树对泰坦尼克号进行预测生死
:return:
"""
# 读取数据
titan=pd.read_csv("http://biostat.ma.vanderbilt.edu/wiki/pud/Main/DataSets/titanic.txt")
#处理数据,找出特征值和目标值
x=titan[['pclass','age','sex']]
y=titan['survived']
#缺失值处理
x['age'].fillna(x['age'].mean(),inplace=True)
#分割数据集到训练集合测试集
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) 特征-》 类别 -》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"))
#用决策树进行预测
dec=DecisionTreeClassifier(max_depth=5)
dec.fit(x_train,y_train)
#预测准确率
print("预测的准确率:",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','pclass=1st','pclass=2nd','pclass=3rd','女性','男性'])
return None
if __name__=="__main__":
decision()
结果展示:
4,决策树的优缺点以及改进
优点:
- 简单的理解 和解释,树木可视化
- 需要很少的数据准备,其他技术通常需要数据归一化
缺点:决策树学习者可以创建不能很好的推广数据的过于复杂的树,这被称为过拟合。
改进:
- 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)
- 随机森林
注:企业重要决策,由于决策树很好的分析能力,在决策过程应用较多。
二、集成学习方法——随机森林
集成学习通过建立几个模型组合的来解决单一预测问题,他的工作原理是生成多个分类器/模型,各自独立地学习和做出预测,这些预测最后结合成单预测,因此优于任何一个单分类地做出预测。
随机森林API:
import pandas as pd
from sklearn.datasets import load_iris,fetch_20newsgroups,load_boston
from sklearn.model_selection import train_test_split,GridSearchCV
from sklearn.neighbors import KNeighborsClassifier
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import classification_report
from sklearn.feature_extraction import DictVectorizer
from sklearn.tree import DecisionTreeClassifier,export_graphviz
from sklearn.ensemble import RandomForestClassifier
def decision():
"""
决策树对泰坦尼克号进行预测生死
:return:
"""
# 读取数据
titan=pd.read_csv("http://biostat.ma.vanderbilt.edu/wiki/pud/Main/DataSets/titanic.txt")
#处理数据,找出特征值和目标值
x=titan[['pclass','age','sex']]
y=titan['survived']
#缺失值处理
x['age'].fillna(x['age'].mean(),inplace=True)
#分割数据集到训练集合测试集
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) 特征-》 类别 -》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"))
#随机森林进行预测(超参数调优)
rf=RandomForestClassifier()
param={"n_estimators":[120,200,300,500,800,1200],"max_depth":[5,8,15,25,30]}
#网格搜索与交叉验证
gc=GridSearchCV(rf,param_grid=param,cv=2)
gc.fit(x_train,y_train)
print("准确率:",gc.score(x_test,y_test))
print("查看选择地参数模型:",gc.best_params_)
return None
if __name__=="__main__":
decision()
结果:
随机森林的优点:
- 在当前所有算法中,具有极好的准确率
- 能够有效的运行在大数据集上
- 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