决策树基本原理&sklearn实现

1. 什么是决策树

决策树算法是一种有监督学习算法，利用分类的思想，根据数据的特征构建数学模型，从而达到数据的筛选，决策的目标。
决策树( Decision Tree) 又称为判定树，是数据挖掘技术中的一种重要的【分类与回归方法】，它是一种以树结构（包括二叉树和多叉树）形式来表达的预测分析模型。
其每个非叶节点表示一个特征属性上的测试，每个分支代表这个特征属性在某个值域上的输出，而每个叶节点存放一个类别。

决策树(Decision Tree)是一个树结构
1. 结点和有向边组成
2. 结点分为：内部结点 和 叶子结点
3. ### 内部结点表示一个特征； 叶子结点表示一个分类 ###

2. 决策树算法

1. ID3算法（只能处理分类问题，不能处理回归问题）
    核心思想：在各级结点上，使用 ### **【信息增益】** ### 的方法作为属性的选择标准，以此来确定每个结点所采用的合适的属性；
    缺点：
        1）仅支持离散数据；
        2）不能处理缺失值
        3）不能剪枝
2. C4.5算法（只能处理分类问题，不能处理回归问题）
    核心思想：
        相对于ID3的改进是使用 ### 【信息增益率】 ### 的方法；
    改进ID3的点：
        1）C4.5算法既能处理离散的描述属性，也可以处理连续的描述属性
        2）能处理缺失值
        3）可以剪枝
3. CART算法（Classification and Regression Tree，即分类与回归树，既可以用于分类，也可以用于回归）
    处理分类问题--使用 **基尼系数（基尼杂质系数 或 基尼不纯系数）** 选择特征
    CART建立的分类树是 **二叉树** ，不是多叉树

3 决策树优缺点

优点：

【速度快】:计算量相对较小，且容易转化成分类规则。只要沿着树根向下一直走到叶，沿途的分裂条件就能够唯一确定一条分类的谓词。
【准确性高】:挖掘出的分类规则准确性高，便于理解，决策树可以清晰的显示哪些字段比较重要。
计算量相对不是很大
非参数学习，不需要设置参数。

缺点：

决策树很容易【过拟合】，很多时候即使进行后剪枝也无法避免过拟合的问题，因此可以通过设置树深或者叶节点中的样本个数来进行预剪枝控制；
决策树属于【样本敏感型】，泛化能力较差，即使样本发生一点点改动，也会导致整个树结构的变化，可以通过集成算法来解决；

4 skearn 决策树 api

sklearn.tree.DecisionTreeClassifier()
特征选择标准，可选参数，默认是gini，可以设置为entropy。
gini是基尼不纯度，是将来自集合的某种结果随机应用于某一数据项的预期误差率，是一种基于统计的思想。
entropy是香农熵，是一种基于信息论的思想。
Sklearn把gini设为默认参数，应该也是做了相应的斟酌的，精度或许会更高一些。

接口: sklearn.tree.DecisionTreeClassifier()
根据传入参数的不同调用不同的决策树算法
参数：
1）当参数为entropy，启动ID3算法：
sklearn.tree.DecisionTreeClassifier(“entropy”)
2）当参数为gini，启用CART算法：
sklearn.tree.DecisionTreeClassifier(“gini”)

5 实例

1） 导入sklearn的tree包
from sklearn import tree
2）准备数据，特征集X_train，标签集 y_train
3）实例化模型，
model = tree.DecisionTreeClassifier(criterion=“entropy”) # criterion="gini"为CART算法
4）模型训练（拟化）
model.fit（X_train,y_train)
score=model.score(x_train,y_train) # 模型对于测试集的平均精度
5）模型应用，预测 model.predict(X_新特征集）

# 导入相关库
from sklearn.model_selection import train_test_split
from sklearn import tree
from sklearn.datasets import load_wine
import pandas as pd

# 导入数据集
wine = load_wine()

X = wine.data
Y = wine.target
features_name = wine.feature_names
print(features_name)
print(pd.concat([pd.DataFrame(X), pd.DataFrame(Y)], axis=1))
# 打印数据
# 划分数据集，数据集划分为测试集占20%；
x_train, x_test, y_train, y_test = train_test_split(
    X, Y, test_size=0.2, random_state=0)

# 采用ID3算法进行计算；
# criterion: 标准
# entropy:熵，混乱，无序
# gini:基尼
# criterion="entropy" 代表ID3算法；不传任何参数,即默认值为gini,代表CART算法
clf = tree.DecisionTreeClassifier(criterion="entropy")  # criterion="entropy" 代表ID3算法

# 采用CART算法进行计算
# clf = tree.DecisionTreeClassifier(criterion="gini") # criterion="gini" 代表CART算法
# 获取模型
clf.fit(x_train, y_train)

# 返回测试集预测的平均精度
score = clf.score(x_test, y_test)
print('准确率为:', score)

y_predict = clf.predict(x_test)

# 对测试集的预测类别标签和真实标签进行对比
print(pd.concat([pd.DataFrame(x_test), pd.DataFrame(y_test), pd.DataFrame(y_predict)], axis=1))