分类算法-决策树、随机森林
-
认识决策树
-
信息论基础-银行贷款分析
-
决策树的生成
-
泰坦尼克号乘客生存分类
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。
如:
信息的度量和作用
假设有32支球队,猜谁
“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)
式中log以2为底
信息熵
H的专业术语称之为信息熵,单位为比特。
-
32支球队,log32=5比特
-
64支球队,log64=6比特
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。
信息和消除不确定性是相联系
决策树的划分依据之一-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
信息增益的计算
信息熵的计算:
条件熵的计算:
结合前面的贷款数据来看:
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,划分更加仔细,在sklearn中可以选择划分的默认原则
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
案例:泰坦尼克号数据分析
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。
部分数据:
泰坦尼克号乘客生存分类模型
-
pd读取数据
-
选择有影响的特征,处理缺失值
-
进行特征工程,pd转换字典,特征抽取
x_train.to_dict(orient=“records”) -
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
ubuntu:sudo apt-get install graphviz Mac:brew install graphviz
3、运行命令
然后我们运行这个命令
$ dot -Tpng tree.dot -o tree.png
程序:
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction import DictVectorizer
from sklearn.tree import DecisionTreeClassifier, export_graphviz
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("./titanic.txt")
# 处理数据,找出特征值和目标值
x = titan[['pclass', 'age', 'sex'