一、认识决策树
决策树思想的来源非常朴素,程序设计中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
32支球队,log32=5比特
64支球队,log64=6比特
信息熵:
“谁是世界杯冠军”的信息量应该比5比特少。香农指出,它的准确信息量应该是:
H = -(p1logp1 + p2logp2 + … + p32log32)
H的专业术语称之为信息熵,单位为比特。
公式:
当这32支球队夺冠的几率相同时,对应的信息熵等于5比特
信息增益
特征A对训练数据集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: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
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中可以选择划分的原则
二、sklearn决策树API
class sklearn.tree.DecisionTreeClassifier(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:随机数种子
method:
decision_path:返回决策树的路径
泰坦尼克号数据
在泰坦尼克号和titanic2数据帧描述泰坦尼克号上的个别乘客的生存状态。在泰坦尼克号的数据帧不包含从剧组信息,但它确实包含了乘客的一半的实际年龄。关于泰坦尼克号旅客的数据的主要来源是百科全书Titanica。这里使用的数据集是由各种研究人员开始的。其中包括许多研究人员创建的旅客名单,由Michael A. Findlay编辑。
我们提取的数据集中的特征是票的类别,存活,乘坐班,年龄,登陆,home.dest,房间,票,船和性别。乘坐班是指乘客班(1,2,3),是社会经济阶层的代表。
其中age数据存在缺失。
# coding=utf-8
from sklearn.datasets import load_iris,fetch_20newsgroups
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.feature_extraction import DictVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import classification_report
from sklearn.tree import DecisionTreeClassifier
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("./data/train.csv")
# print(titan.head())
# 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)
#处理缺失值
x['Age'].fillna(x['Age'].mean(),inplace=True)
#分割数据集到训练集和测试集
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)特征里面是类别 one_hot 编码
dict = DictVectorizer(sparse=False)
x_train = dict.fit_transform(x_train.to_dict(orient="records"))
print(dict.get_feature_names_out())
x_test = dict.transform(x_test.to_dict(orient="records"))
print(x_train)
#用决策树进行分类
dec = DecisionTreeClassifier()
dec.fit(x_train,y_train)
#预测准确率
print("预测的准确率:",dec.score(x_test,y_test))
return None
if __name__ == "__main__":
decision()
# coding=utf-8
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
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("./data/train.csv")
# print(titan.head())
# 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)
#处理缺失值
x['Age'].fillna(x['Age'].mean(),inplace=True)
#分割数据集到训练集和测试集
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)特征里面是类别 one_hot 编码
dict = DictVectorizer(sparse=False)
x_train = dict.fit_transform(x_train.to_dict(orient="records"))
print(dict.get_feature_names_out())
x_test = dict.transform(x_test.to_dict(orient="records"))
print(x_train)
#用决策树进行分类
dec = DecisionTreeClassifier()
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','等级','女性','男性'])
return None
if __name__ == "__main__":
decision()
# coding=utf-8
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
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("./data/train.csv")
# print(titan.head())
# 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)
#处理缺失值
x['Age'].fillna(x['Age'].mean(),inplace=True)
#分割数据集到训练集和测试集
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)特征里面是类别 one_hot 编码
dict = DictVectorizer(sparse=False)
x_train = dict.fit_transform(x_train.to_dict(orient="records"))
print(dict.get_feature_names_out())
x_test = dict.transform(x_test.to_dict(orient="records"))
print(x_train)
#用决策树进行分类
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','等级','女性','男性'])
return None
if __name__ == "__main__":
decision()
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,其他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的过于复杂的树, 这被称为过拟合。
决策树可能不稳定,因为数据的小变化可能会导致完全不同的树被生成
改进:
减枝cart算法
随机森林
三、随机森林
集成学习通过建立几个模型组合的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。
集成学习 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
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
bootstrap:boolean,optional(default = True)是否在构建树时使用放回抽样
# coding=utf-8
import pandas as pd
from sklearn.feature_extraction import DictVectorizer
from sklearn.model_selection import train_test_split,GridSearchCV
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("/Volumes/D/data/train.csv")
# print(titan.head())
# 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)
#处理缺失值
x['Age'].fillna(x['Age'].mean(),inplace=True)
#分割数据集到训练集和测试集
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)特征里面是类别 one_hot 编码
dict = DictVectorizer(sparse=False)
x_train = dict.fit_transform(x_train.to_dict(orient="records"))
print(dict.get_feature_names_out())
x_test = dict.transform(x_test.to_dict(orient="records"))
# print(x_train)
# #用决策树进行分类
# 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','等级','女性','男性'])
# return None
#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]}
#网格搜索和交叉验证
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("查看选择的模型:",gc.best_params_)
if __name__ == "__main__":
decision()
随机森林的优点:
在当前所有算法中,具有极好的准确率
能够有效地运行在大数据集上
能够处理具有高维特征的输入样本,而且不需要降维
能够评估各个特征在分类问题上的重要性
对于缺省值问题也能够获得很好得结果