决策树
- 决策树思想的来源非常朴素,程序设计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
- - 信息和消除不确定性是相联系的
决策树的划分依据之一 - 信息增益
- 特征A对训练集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
- 注意: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
- - 决策树的分类依据之一:信息增益。
- 常见决策树使用的算法:
- ID3
- 信息增益 最大的准则
- 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中可以选择划分的默认原则
- ID3
sklearn决策树API
- class sklearn.tree.DecisionTreeClassifter(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:随机种子
- method:
- decision_path:返回决策树的路径
示列:泰坦尼克号乘客生存分类模型
- 1,pd读取数据
- 2,选择有影响的特征,处理缺失值
- 3,进行特征工程,pd转换字典,特征抽取x_train.to_dict(orient=“records”)
- 4,决策树估计器流程
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
- mac:brew install graphviz
- 3,运行命令
- dot -Tpng tree.dot -o tree.png
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,其它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过于复杂的树,这被称为过拟合
-
改进:
- 减枝cart算法(决策树API当中已经实现,随机森林参数调优有相关介绍)
- 随机森林
- 注意:企业重要决策,由于决策树很好的分析能力,在决策过程应用较多。
集成学习方法-随机森林
集成学习方法
-
集成学习通过建立几个模型组合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。
-
什么是随机森林
-
定义: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
-
随机森林建立多个决策树的过程:(N个样本,M个特征)
- 单个树建立过程:
- 1,随机在N个样本当中选择一个样本,重复N次,样本可能重复
- 2,随机在M个特征当中选出m个特征 m取值
- 建立10颗决策树,样本,特征大多不一样(随机又放回的抽样)
- 单个树建立过程:
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,5,8,15,25,30
-
max_features=“auto”,每个决策树的最大特征数量
- if ‘auto’,then ‘max_features=sqrt(n_features)’.
- if ‘sqrt’,then ‘max_features=sqrt(n_features)’(same as ‘auto’).
- if ‘log2’,then ‘max_features=log2(n_features)’.
- if None,then ‘max_features=n_features’.
-
bootstrap:boolean,optional(default=True)是否在构建树时使用放回抽样。
-
-
随机森林的优点
- 在当前所有算法中,具有极好的准确率
- 能够有效的运行在
决策树
import pandas as pd
from sklearn.feature_extraction import DictVectorizer
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier, export_graphviz
from sklearn.ensemble import RandomForestClassifier
def decision():
"""
决策树对泰坦尼克号进行预测生死
:return: None
"""
# 获取数据
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', 'age', 'sex']]
y = titan['survived']
print(x)
# 缺失值处理
x['age'].fillna(x['age'].mean(), inplace=True)
# 分割数据集到训练集合测试集
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.transform(x_test.to_dict(orient="records"))
# print(x_train)
# 用决策树进行预测
dec = DecisionTreeClassifier(max_depth=8)
dec.fit(x_train, y_train)
# 预测准确率
print("预测的准确率:", dec.score(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', 'pclass=3rd', '女性', '男性'])
return None
if __name__ == '__main__':
decision()
随机森林
from sklearn.datasets import load_iris, fetch_20newsgroups, load_boston
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import classification_report
from sklearn.feature_extraction import DictVectorizer
from sklearn.tree import DecisionTreeClassifier, export_graphviz
from sklearn.ensemble import RandomForestClassifier
import pandas as pd
def decision():
"""
决策树对泰坦尼克号进行预测生死
:return: None
"""
# 获取数据
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', 'age', 'sex']]
y = titan['survived']
print(x)
# 缺失值处理
x['age'].fillna(x['age'].mean(), inplace=True)
# 分割数据集到训练集合测试集
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.transform(x_test.to_dict(orient="records"))
# 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('准确率:',gc.score(x_test,y_test))
print('查看选择的参数模型:',gc.best_params_)
return None
if __name__ == '__main__':
decision()