基于sklearn的决策树算法

1、决策树介绍

决策树简单的理解为if-then的集合，其优点主要有分类速度快、可读性等。决策树的生成主要可分为三个步骤：特征的选择、决策树的生成、决策树的剪枝。

1.1特征选择

对于结点的选择，总得需要一个计算方法来实现，这个方法的目标是优先选择分类能力强的特征，这样才提高决策树的效率，如果随机选择特征的话将会产生复杂度或者是结点更多的决策树，显然不是我们想要的。
怎么计算特征的分类能力呢，通常选择的准则是信息增益或信息增益比。
要计算信息增益，首先要知道熵的概念：表示随机变量不确定程度，
设X是一个取有限个值的离散随机变量，其概率分布为：

$$P(X=x_i)=P_i,i=1,2,,,n$$
则随机变量的熵定义为：
$$H(X)=-\sum_{i=1}^np_ilog_2 p_i$$
其中对数不一定必须以2为底，也可自然对数e。
如，随机变量只取两个值0，1，则分布为：
$$P(X=1)=p,P(X=0)=1-p, 0<=p<=1$$
则，熵为：
$$H(p)=-plog_2 p-(1-p)log_2 (1-p)$$
其次还需要条件熵H(Y|X),其定义为X给定的条件下Y的条件概率分布的熵对X的数学期望：
$$H(X|Y)=\sum_{i=1}^np_iH(Y|X=x_i)$$
看起来比较难以理解， $H(Y|X=x_i)$ 可以简单的理解为：在某个特征等于 $x_i$ 的条件下取类 $Y_j$的熵。对应如果为二分类，j=1,2.
当熵和条件熵中的概率由数据估计得到时，对应的熵分别成为条件熵和经验条件熵。
信息增益表示得知特征X的信息而使类Y的不确定性减少的程度。定义为：
$$g(D,A)=H(D)-H(D|A)$$
信息增益比：信息增益g（D,A)与训练数据集D关于A的值的熵之比，即
$$g_R(D,A)=\frac{g(D,A)}{H_A(D)}$$

1.2生成决策树

对生成树，ID3算法的方法是从根结点开始，对结点计算所有可能的信息增益，选择信息增益最大的特征作为结点的特征，由该特征的不同取值建立子结点，再递归的计算信息增益建立结点，直到信息增益均很小或者没有特征可以选择为止。
C4.5算法，与ID3算法唯一不同是使用信息增益比来选择特征。

1.3剪枝

当使用训练数据进行生成决策树，而不进行处理时，会出现训练集精度为100%，但测试集上表现不是很好，这是由于对训练集进行生成决策树时过于细分，不进行剪枝，很有可能产生过拟合。剪枝分为两种，1、预剪枝，在构造树的同时停止信息量较少，也就是信息增益或信息增益比较小的枝生长。2、后剪枝，先生成树，再进行剪枝。

2、sklearn

当不进行剪枝时：

#！／user/bin/env python
#-*- coding:utf-8 -*-
from sklearn.tree import export_graphviz
from sklearn.tree import DecisionTreeClassifier
#3：1拆分数据集
from sklearn.model_selection import train_test_split
#乳腺癌数据集
from sklearn.datasets import load_breast_cancer
import pydot
cancer = load_breast_cancer()
#参数random_state是指随机生成器，0表示函数输出是固定不变的
X_train,X_test,y_train,y_test = train_test_split(cancer['data'],cancer['target'],random_state=42)
tree = DecisionTreeClassifier(random_state=0)
tree.fit(X_train,y_train)
print('Train score:{:.3f}'.format(tree.score(X_train,y_train)))
print('Test score:{:.3f}'.format(tree.score(X_test,y_test)))
#生成可视化图
export_graphviz(tree,out_file="tree.dot",class_names=['严重','轻微'],feature_names=cancer.feature_names,impurity=False,filled=True)
#展示可视化图
(graph,) = pydot.graph_from_dot_file('tree.dot')
graph.write_png('tree.png')

执行结果：

Train score:1.000
Test score:0.930

进行预剪枝时：

#！／user/bin/env python
#-*- coding:utf-8 -*-
from sklearn.tree import export_graphviz
from sklearn.tree import DecisionTreeClassifier
#3：1拆分数据集
from sklearn.model_selection import train_test_split
#乳腺癌数据集
from sklearn.datasets import load_breast_cancer
import pydot
cancer = load_breast_cancer()
#参数random_state是指随机生成器，0表示函数输出是固定不变的
X_train,X_test,y_train,y_test = train_test_split(cancer['data'],cancer['target'],random_state=42)
#设置深度为4，即产生4个问题就停止生长
tree = DecisionTreeClassifier(max_depth=4,random_state=0)
tree.fit(X_train,y_train)
print('Train score:{:.3f}'.format(tree.score(X_train,y_train)))
print('Test score:{:.3f}'.format(tree.score(X_test,y_test)))
#生成可视化图
export_graphviz(tree,out_file="tree.dot",class_names=['严重','轻微'],feature_names=cancer.feature_names,impurity=False,filled=True)
#展示可视化图
(graph,) = pydot.graph_from_dot_file('tree.dot')
graph.write_png('tree.png')

结果

Train score:0.995
Test score:0.951