决策树
认识决策树
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。
信息熵:单位为比特。
信息和消除不确定性是相联系的:信息熵越大,消除不确定性就越大。
决策树的划分及案例
决策树的划分依据:
- ID3 信息增益最大的准则
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。信息增益最大的特征,可以将其选择为最有特征。 - 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 最小的准则在sklearn中可以选择划分的原则
sklearn决策树API
class sklearn.tree.DecisionTreeClassifier(criterion=’gini’, max_depth=None,random_state=None)决策树分类器
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
method:
decision_path:返回决策树的路径
from sklearn.model_selection import train_test_split
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生死预测
:return: None
'''
#读取数据
titan=pd.read_csv('http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt')
#处理数据,找出特征值和目标值
x=titan[['pclass','name','age','sex']]
y=titan['survived']
# 缺失值处理:填补缺失值
x['age'].fillna(x['age'].mean(),inplace=True)
# 分割数据集到训练集测试集
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'))
print(dict.get_feature_names)
x_test = dict.fit_transform(x_test.to_dict(orient='records'))
print(x_train)
#用决策树进行预测
dec=DecisionTreeClassifier(max_depth=10)
dec.fit(x_train,y_train)
#预测准确率
dec.score('预测的准确率为:',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','女性','男性','姓名'])
return None
if __name__=='__main__':
decision()
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
3、运行命令
然后我们运行这个命令
$ dot -Tpng tree.dot -o tree.png或者$ dot -Tpdf tree.dot -o tree.pdf
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地推广数据的过于复杂的树,这被称为过拟合。
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
改进:减枝cart算法 / 随机森林
随机森林的原理及案例调优
什么是随机森林
- 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。
- 随机森林: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。
随机森林API
class sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’,
max_depth=None, bootstrap=True, random_state=None)随机森林分类器
n_estimators:integer,optional(default = 10)森林里的树木数量,一般为120,200,300,500,800,1200。
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,一般为5,8,15,25,30。
bootstrap:boolean,optional(default = True)是否在构建树时使用放回抽样
from sklearn.ensemble import RandomForestClassifier
def decision():
'''
决策树对泰坦尼克号进行生死预测
:return: None
'''
#读取数据
titan=pd.read_csv('http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt')
#处理数据,找出特征值和目标值
x=titan[['pclass','name','age','sex']]
y=titan['survived']
# 缺失值处理:填补缺失值
x['age'].fillna(x['age'].mean(),inplace=True)
# 分割数据集到训练集测试集
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'))
print(dict.get_feature_names())
x_test = dict.fit_transform(x_test.to_dict(orient='records'))
print(x_train)
#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('预测准确率为:',gc.score(x_test,y_test))
print('查看选择的模型:',gc.best_params_)
return None
if __name__=='__main__':
decision()
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。