Python每日一记15>>>决策树&随即森林

也许，坚持才是程序员最大的修养
今天跟大家分享决策树与随机森林算法与实践
1、决策树算法：
简单理解，决策树就是不断的根据判断条件下分分支，直到正确的或者规定的分类结果。


分类的得分效果很好，我们需要关注的参数就是max_depth=
类似于节点层数，1代表1层节点，分成两类，2代表2层节点，分成四类，依次类推。
想要看清楚决策树的每一层做了什么事情，我们需要借助graphviz库，会帮助我们画出一个决策树的图，感兴趣的可以去自行查看资料，这里不深究。
基于可视化的库，决策树的一大优势就在于很容易的进行结果可视化，另外决策树不需要对数据进行预处理（几乎不需要，还记得贝叶斯算法是需要进行预处理的）
但是决策树因为需要max_depth参数的调节，因此不可避免出现过拟合现象，但是随机森林算法则能解决这个弊端。

2、随机森林
决策树是一棵树，随机森林就是决策树的森林，简单而言它将数据集分成若干个，分别进行决策树类似的算法，再取均值的结果。


我们发现随机森林的得分相对于决策树的得分更加高，通常情况下，随机森林的分类都会更加细腻。
我们考虑重要的参数：n_estimators=6,这个参数控制决策树的数量，就是将数据集划分成多个数据集，进行多少个决策树算法，如果是回归，则最后取决策树的预测均值，如果是分类，则会内部对概率投票。
随机森林是应用最广泛的算法之一，十分强大，其不需要对数据进行预处理，就像决策树一样。但是对于大型数据集，决策树会显得较慢，因为需要分成大量的决策树进行运算。
截止目前，无论是K最近邻算法，线性算法，贝叶斯算法，还是决策树算法，对于随机森林算法而言都显得有些渺小。
,