机器学习算法基础5-决策树与随机森林

决策树与随机森林

一、决策树

1.决策树之信息论基础

信息熵的概念

案例：每猜一次给一块钱，告诉我是否猜对了，那么我需要掏多少钱才能知道谁是冠军？
我可以把球编上号，从1到32，然后提问：冠 军在1-16号吗？依次询问，只需要五次，
就可以知道结果。

该案例中信息熵为：
H = -(p1logp1 + p2logp2 + ... + p32log32)

信息和消除不确定性是相联系的，即信息熵越大，不确定性越大

H的专业术语称之为信息熵，单位为比特。
公式：

2.决策树的划分依据- 信息增益

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

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：

信息增益计算

3.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

4.sklearn决策树API

# 决策树分类器
class sklearn.tree.DecisionTreeClassifier(criterion=’gini’, max_depth=None,
random_state=None)

# 参数介绍
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

# 方法
decision_path:返回决策树

5.决策树案例-泰坦尼克号乘客生存分类

泰坦尼克号乘客生存分类模型流程：

1、pd读取数据
2、选择有影响的特征，处理缺失值（age数据存在缺失）
特征值pclass-社会经济阶层的代表-字符串
特征值age-年龄-浮点数
特征值sex-性别
目标值survived-存活-布尔类型（0、1）
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(这个模块不好安装)
这个功能太鸡肋了。所以这个包都没人用了，停止维护好久了。还是停留在很老的版本。和很多内置的包都不匹配了。

3、运行命令
然后我们运行这个命令
$ dot -Tpng tree.dot -o tree.png

# 决策树对泰坦尼克号乘客生存进行分类
import pandas as pd
from sklearn.feature_extraction import DictVectorizer
from sklearn.model_selection import train_test_split
from sklearn