python 连续比较_python实现连续变量最优分箱详解--CART算法(2)

min_sample 参数为最小叶子节点的样本阈值，如果小于该阈值则不进行切分，如前面所述设置为整体样本量的5%

返回的结果我这里只返回了最优分割点，如果需要返回其他的比如GINI值，可以自行添加。

def bining_data_split(sample_set, var, min_sample, split_list):

'''

划分数据找到最优分割点list

param sample_set: 待切分样本

param var: 分割变量名称

param min_sample: 待切分样本的最小样本量(限制条件)

param split_list: 最优分割点list

'''

split, position = choose_best_split(sample_set, var, min_sample)

if split != 0.0:

split_list.append(split)

# 根据分割点划分数据集，继续进行划分

sample_set_left = sample_set[sample_set[var] < split]

sample_set_right = sample_set[sample_set[var] > split]

# 如果左子树样本量超过2倍最小样本量，且分割点不是第一个分割点，则切分左子树

if len(sample_set_left) >= min_sample * 2 and position not in [0.0, 1.0]:

bining_data_split(sample_set_left, var, min_sample, split_list)

else:

None

# 如果右子树样本量超过2倍最小样本量，且分割点不是最后一个分割点，则切分右子树

if len(sample_set_right) >= min_sample * 2 and position not in [0.0, 1.0]:

bining_data_split(sample_set_right, var, min_sample, split_list)

else:

None

split_list 参数是用来保存返回的切分点，每次切分后返回的切分点存入该list

在这里判断切分点分割的左子树和右子树是否满足“内部节点再划分所需的最小样本数>=总样本量的10%”的条件，如果满足则进行递归调用。

def get_bestsplit_list(sample_set, var):

'''

根据分箱得到最优分割点list

param sample_set: 待切分样本

param var: 分割变量名称

'''

# 计算最小样本阈值（终止条件）

min_df = sample_set.shape[0] * 0.05

split_list = []

# 计算第一个和最后一个分割点

bining_data_split(sample_set, var, min_df, split_list)

return split_list

最后整合以下来个函数调用，返回一个分割点list。

可以使用sklearn库的决策树测试一下单变量分类对结果进行验证，在分类方法相同，剪枝条件一致的情况下结果是一致的。

以上这篇python实现连续变量最优分箱详解--CART算法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持IIS7站长之家。