python提取特征生成决策树_python机器学习之决策树

决策树(Decision Tree)是一种非参数的有监督学习方法，它能够从一系列有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现这些规则，以解决分类和回归问题。决策树尤其在以数模型为核心的各种集成算法中表现突出。

开放平台：Jupyter lab

根据菜菜的sklearn课堂实效生成一棵决策树。

三行代码解决问题。

from sklearn import tree #导入需要的模块

clf = tree.DecisionTreeClassifier() #实例化

clf = clf.fit(X_train,Y_train) #用训练集数据训练模型

result = clf.score(X_test,Y_test) #导入测试集，从接口中调用所需要信息

利用红酒数据集画出一棵决策树。

从sklearn库中引入决策树、红酒数据集

from sklearn import tree

from sklearn.datasets import load_wine

from sklearn.model_selection import train_test_split

根据不纯度找出最佳节点和最佳的分歧方法。计算不纯度有两个指标：信息熵和基尼(Gini)指数。

例化决策树，DecisionTreeClassifier是分类树，DecisionTreeRegressor是回归树，tree.export_graphviz命令是将生成的决策树导出为DOT格式，画图专用。通常使用基尼系数，数据维数很大，噪声很大时使用基尼系数。维度低，数据比较清晰时，信息熵与基尼系数没区别。当决策树的拟合程度不够时，使用信息熵。

下面例化决策树，首先将数据分成训练集和测试集。

Xtrain,Xtest,Ytrain,Ytest = train_test_split(wine.data, wine.target, test_size = 0.3)

注意分类的顺序为XXYY

clf = tree.DecisionTreeClassifier(criterion = "entropy")

clf = clf.fit(Xtrain, Ytrain)

score = clf.score(Xtest, Ytest) #返回预测的准确度accuracy

我得到的分数为

效果还可以。

决策树在此时已经生成，但是不太直观，之后我们进行图像的绘制。将特征和类别命名。

feature_name = ["酒精","苹果酸","灰","灰的碱性","镁","总酚","类黄酮","非黄烷类酚类","花青素","颜色强度","色调","od280/od315稀疏葡萄酒","脯氨酸"]

import graphviz

dot_data = tree.export_graphviz(clf

,feature_names = feature_name

,class_names = ["琴酒","雪莉","贝尔莫得"]

,filled = True #填充颜色

,rounded = True #画出的方块无棱角

)

graph = graphviz.Source(dot_data)

graph

然后运行，我们就可以得到一棵树啦(*^▽^*)。

运行[*zip(feature_name,clf.feature_importances_)] 可以看到每个属性在分类时的比重。得到：

[('酒精', 0.03965653811434505),

('苹果酸', 0.02068204382894391),

('灰', 0.0),

('灰的碱性', 0.0),

('镁', 0.06068969686746859),

('总酚', 0.0),

('类黄酮', 0.061368064261131956),

('非黄烷类酚类', 0.0),

('花青素', 0.0),

('颜色强度', 0.08690808214504504),

('色调', 0.03270487272137427),

('od280/od315稀疏葡萄酒', 0.26633722918973335),

('脯氨酸', 0.4316534728719579)]

可以看到并不是所有的特征都发挥着作用，只有八个特征有比重，且比重最大为脯氨酸，其次是od280/od315稀疏葡萄酒。

random_state & splitter 参数 (可以防止过拟合)

random_state 用来设置分枝中的随机模式的参数，默认为None，在高维度时随机性会表现更明显，低维度数据随机性几乎不会显现。输入任意整数，会一直长出同一棵树，让模型稳定下来。

splitter也是用来控制决策树中的随机选项。"best"：决策树在分枝时虽然随机，但是还会优先选择更重要的特征进行分枝。"random"决策树在分枝时会更加随机，树会更深，对训练集的拟合度将会降低。

clf = tree.DecisionTreeClassifier(criterion = "entropy", random_state=10, splitter="random")

clf = clf.fit(Xtrain, Ytrain)

score = clf.score(Xtest, Ytest) #返回预测的准确度accuracy

score

剪枝参数

max_depth 限制树的最大深度，建议从=3开始尝试。

min_samples_leaf 分枝会朝着满足每个子节点都包含min_samples_leaf个样本的方向发生，建议从=5开始。

min_samples_split 一个节点必须要包含至少min_samples_split个训练样本，这个节点才允许被分枝，否则分枝就不会发生。

max_features 限制分枝时考虑的特征个数，超过限制个数的特征会被舍弃。但强行设定这个参数会使模型学习不足。

min_impurity_decrease 限制信息增益的大小，信息增益小于设定数值的分枝不会发生。0.19版本

超参数曲线(确定最优的剪枝参数)

超参数的学习曲线，是一条以超参数的取值为横坐标，模型的度量指标为纵坐标的曲线，它是用来衡量不同超参数取值下模型的表现的线。

引入matplotlib.pyplot库，输入代码

import matplotlib.pyplot as plt

test = []

for i in range(10):

clf=tree.DecisionTreeClassifier(max_depth=i+1

,criterion="entropy"

,random_state=0

,splitter = "random"

)

clf=clf.fit(Xtrain,Ytrain)

score = clf.score(Xtest, Ytest)

test.append(score)

plt.plot(range(1,11),test,color='red',label='max_depth')

plt.legend()

plt.show()

得到：

从而能够看到最大深度为多少时得到最高的分数。

目标权重参数

class_weight 完成样本标签平衡的参数。

min_weight_fraction_leaf 基于权重的剪枝参数。

重要属性和接口

对决策树来说，最重要的是feature_importances_，能够查看各个特征对模型的重要性。常用接口还有apply和predict。

#apply 返回每个测试样本所在的叶子节点的索引

clf.apply(Xtest)

#predict 返回每个测试样本的分类/回归结果

clf.predict(Xtest)

总结：

七个参数：Criterion，两个随机性相关的参数(random_state，splitter)，五个剪枝参数(max_depth,  min_samples_split，min_sample_leaf，max_feature，min_impurity_decrease)

一个属性：feature_importances_

四个接口：fit，score，apply，predict

回归树是如何工作的：

from sklearn.datasets import load_boston

from sklearn.model_selection import cross_val_score

from sklearn.tree import DecisionTreeRegressor

boston = load_boston()

regressor = DecisionTreeRegressor(random_state=0)

cross_val_score(regressor, boston.data, boston.target, cv=10,

# ,scoring = "neg_mean_squared_error" 否则是R平方

)

#交叉验证s=cross_val_score的用法

训练集和测试集的划分会干扰模型的结果，因此用交叉验证n次的结果求出平均值，是对模型效果的一个更好的度量。

回归树案例：用回归树拟合正弦曲线

第一步：导入相应的库

import numpy as np

from sklearn.tree import DecisionTreeRegressor

import matplotlib.pyplot as plt

第二步：创建一条含有噪声的正弦曲线

先创建一组随机的，分布在0-5上的横坐标轴的取值(x)，然后利用这些数生成对应正弦y值，接着再到y上去添加噪声。

rng = np.random.RandomState(1) #生成随机数种子

X = np.sort(5 * rng.rand(80,1), axis = 0) #不允许导入一维数据 同时排序

y = np.sin(X).ravel() #降维成一维

y[::5] += 3 * (0.5 - rng.rand(16)) #加上噪声 5为步长

#np.random.rand(数组结构)，生成随机数组的函数

#np.xx.ravel() 降维函数，多次降维可降到一维

第三步：实例化&训练模型

regr_1 = DecisionTreeRegressor(max_depth=2)

regr_2 = DecisionTreeRegressor(max_depth=5)

regr_1.fit(X,y)

regr_2.fit(X,y)

第四步：测试集导入模型，预测结果

X_test = np.arange(0.0, 5.0, 0.01)[:, np.newaxis]

y_1 = regr_1.predict(X_test)

y_2 = regr_2.predict(X_test)

#np.arrange(开始点，结束点，步长)生成有序数组的函数

#了解增维切片np.newaxis的用法

l = np.array([1,2,3,4])

l

l.shape

l[:,np.newaxis]

l[:.np.newaxis].shape

第五步：绘制图像

plt.figure()

plt.scatter(X, y, s=20, edgecolor="black", c="darkorange", label="data")

plt.plot(X_test, y_1, color="cornflowerblue", label="max_depth=2", linewidth=2)

plt.plot(X_test, y_2, color="yellowgreen", label="max_depth=5", linewidth=2)

plt.xlabel("data")

plt.ylabel("target")

plt.title("Decision Tree Regression")

plt.legend()

plt.show()

得到图像：