文章目录
一、直观理解决策树
决策树即通过一步步决策得到最终结果的树
如下图所示,如果要判断一个人在家庭里的身份,我们可以先判断ta年龄是否大于15,如果是,则说明ta是爷爷或奶奶或妈妈,如果不是,则再判断ta是否为男性,如果是,则ta是儿子,否则ta是女儿。
这就是一个决策树的基本流程。
训练阶段(构造决策树):
- 确定根节点的特征判断
- 然后从根节点的往下分支,继续确定子节点的特征判断
测试阶段:根据训练出来的决策树从根节点往下走一遍就完事了
二、熵的作用
通过上面的讲解,我们肯定会疑惑,训练过程中根节点怎么选择用哪个特征进行判断呢?接下来的子节点又怎么选择呢?
答:选择分类效果最强的
但是,怎么评判一个特征的分类效果强还是不强呢?下面我们就介绍一个衡量标准:熵
简单理解:熵就是混乱程度
如:杂货铺卖的东西种类很多,可以说你去购买其中某个物品的熵很大
问:我们希望节点分支后数据类别的熵值大还是小呢?
答:当然希望熵值小。如果分支完熵值还是很大,那说明其还是很混乱,分支就没有什么作用了(我们最终目的是分类,每个决策树的叶子节点熵值都是很小的,都是纯纯的某一类)
三、信息增益
当概率P=0.5时,熵最大,最不确定
当P=0或1时,熵值最小,最确定
我们希望通过某特征判断后,熵值的下降越大越好,即不确定性减少的程度越大越好,而这个不确定性减少的程度就被成为信息增益。我们一般希望特征判断后信息增益越大越好。
四、决策树构造实例
4.1 问题描述
有四个特征(天气、温度、湿度、有无风),和一个标签(是否出去玩)
4.2 根节点构造
问题中有四个特征,故我们有4种构造根节点特征划分的方法。那我们怎么选择最好的特征划分呢?
前面说过了,看信息增益,选信息增益最大的特征划分构造根节点。
计算最开始没有进行特征划分时的数据的熵值:0.940
举例:基于天气的划分
计算完每个种类的熵值之后,不能直接对其进行求和,而是进行加权的求和(取每个种类的概率作为权值)
从上图可以得出,信息增益最大的是outlook(基于天气的划分),所以根节点就以outlook进行特征划分,后面每一个节点的构造也是类似的步骤。
五、信息增益率和GINI系数
5.1 信息增益存在的问题
用信息增益来选取特征划分的方法,不适用与存在一个特征的可选值很多的情况(如将唯一编号id作为特征,每一个样本的id都不一样,导致用ID来作为根节点特征划分时,熵值直接下降为0,此时的信息增益为最大,但实际我们知道,用编号ID来作为根节点的特征划分是毫无意义的)
5.2 信息增益率
信息增益率= 信息增益 / 自身的熵值
例如计算编号的自身熵值,样本量为14,每一条样本的ID不同,故其概率 P =
1
14
\frac{1}{14}
141 ,根据熵值的计算公式可得,编号的自身熵值为:
编号的自身熵
=
14
⋅
(
−
1
14
⋅
log
2
(
1
14
)
)
=
3.8074
编号的自身熵=14 \cdot\left(-\frac{1}{14} \cdot \log _2\left(\frac{1}{14}\right)\right)=3.8074
编号的自身熵=14⋅(−141⋅log2(141))=3.8074
再计算信息增益:
原始熵值
=
−
5
14
log
2
(
5
14
)
−
9
14
log
2
(
9
14
)
=
0.9403
原始熵值=-\frac{5}{14} \log _2\left(\frac{5}{14}\right)-\frac{9}{14} \log _2\left(\frac{9}{14}\right)=0.9403
原始熵值=−145log2(145)−149log2(149)=0.9403
由于以ID进行特征划分后的熵值为0,故信息增益为:
信息增益
=
原始熵值
−
0
=
0.9403
信息增益=原始熵值 - 0 = 0.9403
信息增益=原始熵值−0=0.9403
综上,信息增益率为:
信息增益率
=
0.9403
3.8074
=
0.247
信息增益率=\frac{0.9403}{3.8074} = 0.247
信息增益率=3.80740.9403=0.247
同样的方法计算OutLook的信息增益率为0.2864,这样就避免了使用ID进行特征划分的情况。
显然利用信息增益率可以屏蔽掉类似ID类别过多的问题。
5.3 GINI系数
GINI系数的计算公式如下:
Gini
(
p
)
=
∑
k
=
1
K
p
k
(
1
−
p
k
)
=
1
−
∑
k
=
1
K
p
k
2
\operatorname{Gini}(p)=\sum_{k=1}^K p_k\left(1-p_k\right)=1-\sum_{k=1}^K p_k^2
Gini(p)=k=1∑Kpk(1−pk)=1−k=1∑Kpk2
六、连续值特征划分
- 先对连续值特征进行升序排列
- 以每两个相邻值的中间值进行特征划分,以下图为例,共有9种划分方式
七、剪枝方法(预剪枝和后剪枝)
剪枝的目的:缓解过拟合
预剪枝:边建立决策树边剪枝(更实用)
- 限制树深度:相当于限制从根节点到叶子节点用来划分的特征个数
- 限制叶子节点个数:设置决策树最末端的最大节点数(末端节点即叶子节点)
- 限制叶子节点样本数:每个节点的最小样本数
- 限制信息增益量:如果按照某特征进行划分后,信息增益量小于一个阈值,则不进行该特征划分
后剪枝:建立完决策树后再进行剪枝操作
后剪枝的例子:
以下图的1处分支产生2处为例,按照公式计算1处的损失:
1
处的损失
=
0.4444
∗
6
+
α
1处的损失=0.4444 * 6 + \alpha
1处的损失=0.4444∗6+α
2
处的损失
=
0
∗
3
+
0.4444
∗
3
+
2
α
2处的损失=0 * 3 + 0.4444 * 3 + 2\alpha
2处的损失=0∗3+0.4444∗3+2α
如果1处的损失小于2处的损失,则不应该进行分支,对1处进行后剪枝。
其中
α
\alpha
α 是个参数,我们可以对其进行设置,其越大,越难进行分支,就越不容易过拟合(但可能导致欠拟合)
八、回归问题预测思路
如下所示,在回归问题中,右边叶子节点的输出等于该叶子节点中样本特征的平均值:
右边叶子节点的预测值
=
80
+
75
+
35
3
=
190
3
=
63.3333
右边叶子节点的预测值=\frac{80+75+35}{3}=\frac{190}{3}=63.3333
右边叶子节点的预测值=380+75+35=3190=63.3333
九、Python代码实现决策树
9.1 导入所需要的库
# 导入所需要的库
import math
9.2 构建数据集
# 创建数据
def createDataSet():
# 数据
dataSet = [
[0, 0, 0, 0, 'no'],
[0, 0, 0, 1, 'no'],
[0, 1, 0, 1, 'yes'],
[0, 1, 1, 0, 'yes'],
[0, 0, 0, 0, 'no'],
[1, 0, 0, 0, 'no'],
[1, 0, 0, 1, 'no'],
[1, 1, 1, 1, 'yes'],
[1, 0, 1, 2, 'yes'],
[1, 0, 1, 2, 'yes'],
[2, 0, 1, 2, 'yes'],
[2, 0, 1, 1, 'yes'],
[2, 1, 0, 1, 'yes'],
[2, 1, 0, 2, 'yes'],
[2, 0, 0, 0, 'no'],
]
# 列名
labels = ['F1-AGE', 'F2-WORK', 'F3-HOME', 'F4-LOAN']
return dataSet, labels
9.3 函数编写
# 获取当前样本里最多的标签
def getMaxLabelByDataSet(curLabelList):
classCount = {}
maxKey, maxValue = None, None
for label in curLabelList:
if label in classCount.keys():
classCount[label] += 1
if maxValuex < classCount[label]:
maxKey, maxValue = label, classCount[label]
else:
classCount[label] = 1
if maxKey is None:
maxKey, maxValue = label, 1
return maxKey
# 计算熵值
def calcEntropy(dataSet):
# 1. 获取所有样本数
exampleNum = len(dataSet)
# 2. 计算每个标签值的出现数量
labelCount = {}
for featVec in dataSet:
curLabel = featVec[-1]
if curLabel in labelCount.keys():
labelCount[curLabel] += 1
else:
labelCount[curLabel] = 1
# 3. 计算熵值(对每个类别求熵值求和)
entropy = 0
for key, value in labelCount.items():
# 概率值
p = labelCount[key] / exampleNum
# 当前标签的熵值计算并追加
curEntropy = -p * math.log(p, 2)
entropy += curEntropy
# 4. 返回
return entropy
# 选择最好的特征进行分割,返回最好特征索引
def chooseBestFeatureToSplit(dataSet):
# 1. 计算特征个数 -1 是减去最后一列标签列
featureNum = len(dataSet[0]) - 1
# 2. 计算当前(未特征划分时)熵值
curEntropy = calcEntropy(dataSet)
# 3. 找最好特征划分
bestInfoGain = 0 # 最大信息增益
bestFeatureIndex = -1 # 最好特征索引
for i in range(featureNum):
# 拿到当前列特征
featList = [example[i] for example in dataSet]
# 获取唯一值
uniqueVals = set(featList)
# 新熵值
newEntropy = 0
# 计算分支(不同特征划分)的熵值
for val in uniqueVals:
# 根据当前特征划分dataSet
subDataSet = splitDataSet(dataSet, i, val)
# 加权概率值
weight = len(subDataSet) / len(dataSet)
# 计算熵值,追加到新熵值中
newEntropy += (calcEntropy(subDataSet) * weight)
# 计算信息增益
infoGain = curEntropy - newEntropy
# 更新最大信息增益
if bestInfoGain < infoGain:
bestInfoGain = infoGain
bestFeatureIndex = i
# 4. 返回
return bestFeatureIndex
# 根据当前选中的特征和唯一值去划分数据集
def splitDataSet(dataSet, featureIndex, value):
returnDataSet = []
for featVec in dataSet:
if featVec[featureIndex] == value:
# 将featureIndex那一列删除
deleteFeatVec = featVec[:featureIndex]
deleteFeatVec.extend(featVec[featureIndex + 1:])
# 将删除后的样本追加到新的dataset中
returnDataSet.append(deleteFeatVec)
return returnDataSet
# 递归生成决策树节点
def createTreeNode(dataSet, labels, featLabels):
# 取出当前节点的样本的标签 -1 表示在最后一位
curLabelList = [example[-1] for example in dataSet]
# -------------------- 停止条件 --------------------
# 1. 判断当前节点的样本的标签是不是已经全为1个值了,如果是则直接返回其唯一类别
if len(curLabelList) == curLabelList.count(curLabelList[0]):
return curLabelList[0]
# 2. 判断当前可划分的特征数是否为1,如果为1则直接返回当前样本里最多的标签
if len(labels) == 1:
return getMaxLabelByDataSet(curLabelList)
# -------------------- 下面是正常选择特征划分的步骤 --------------------
# 1. 选择最好的特征进行划分(返回值为索引)
bestFeatIndex = chooseBestFeatureToSplit(dataSet)
# 2. 利用索引获取真实值
bestFeatLabel = labels[bestFeatIndex]
# 3. 将特征划分加入当前决策树
featLabels.append(bestFeatLabel)
# 4. 构造当前节点
myTree = {bestFeatLabel: {}}
# 5. 删除被选择的特征
del labels[bestFeatIndex]
# 6. 获取当前最佳特征的那一列
featValues = [example[bestFeatIndex] for example in dataSet]
# 7. 去重(获取唯一值)
uniqueFeaValues = set(featValues)
# 8. 对每个唯一值进行分支
for value in uniqueFeaValues:
# 递归创建树
myTree[bestFeatLabel][value] = createTreeNode(
splitDataSet(dataSet, bestFeatIndex, value), labels.copy(),
featLabels.copy())
# 9. 返回
return myTree
9.4 测试算法效果
# 测试一下!!!
# 1. 获取数据集
dataSet,labels = createDataSet()
# 2. 构建决策树
myDecisionTree = createTreeNode(dataSet,labels,[])
# 3. 输出
print(myDecisionTree)
输出:
{'F3-HOME': {0: {'F2-WORK': {0: 'no', 1: 'yes'}}, 1: 'yes'}}
十、SkLearn库实现决策树并可视化
10.1 Graphviz可视化库安装
进入下面网址
http://graphviz.gitlab.io/download/
点击右边菜单栏的Download按钮,然后选择一个版本进行下载(我选择了最新版的EXE格式的安装文件)
然后就是正常安装步骤即可
10.2 树模型的可视化展示
# 导入相关库
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn.tree import export_graphviz
# 加载数据集
iris = load_iris()
# 获取特征x和标签y
x = iris.data[:, 2:]
y = iris.target
# 创建决策树算法对象
tree_clf = DecisionTreeClassifier(max_depth=2)
# 构建决策树
tree_clf.fit(x, y)
# 导出.dot文件,为可视化做铺垫
export_graphviz(
tree_clf,
out_file='iris_tree.dot', # 输出文件路径
feature_names=iris.feature_names[2:],
class_names=iris.target_names,
rounded=True,
filled=True
)
获得.dot文件后,可以用下面的命令将其转化为png文件
dot -Tpng dot文件路径 -o 要输出的文件路径
例如:
dot -Tpng iris_tree.dot -o iris_tree.png
10.3 预剪枝参数及作用分析
10.3.1 预剪枝参数介绍
- min_samples_split:节点在分割之前必须具有的最小样本数
- min_samples_.leaf:叶子节点必须具有的最小样本数
- max_leaf_nodes:叶子节点的最大数量
- max_features:在每个节点处评估用于拆分的最大特征数(除非特征非常多,否则不建议限制最大特征数)
- max_depth:树最大的深度
10.3.2 预剪枝参数作用
预剪枝就是用来缓解过拟合的
下面让我们直观的感受一下预剪枝参数的作用:
首先,定义绘制决策边界的函数:
from matplotlib.colors import ListedColormap
def plot_decision_boundary(clf,
X,
y,
axes=[0, 7.5, 0, 3],
iris=True,
legend=False,
plot_training=True):
x1s = np.linspace(axes[0], axes[1], 100)
x2s = np.linspace(axes[2], axes[3], 100)
x1, x2 = np.meshgrid(x1s, x2s)
X_new = np.c_[x1.ravel(), x2.ravel()]
y_pred = clf.predict(X_new).reshape(x1.shape)
custom_cmap = ListedColormap(['#fafab0', '#9898ff', '#a0faa0'])
plt.contourf(x1, x2, y_pred, alpha=0.3, cmap=custom_cmap)
if not iris:
custom_cmap2 = ListedColormap(['#7d7d58', '#4c4c7f', '#507d50'])
plt.contour(x1, x2, y_pred, cmap=custom_cmap2, alpha=0.8)
if plot_training:
plt.plot(X[:, 0][y == 0], X[:, 1][y == 0], "yo", label="Iris-Setosa")
plt.plot(X[:, 0][y == 1],
X[:, 1][y == 1],
"bs",
label="Iris-Versicolor")
plt.plot(X[:, 0][y == 2], X[:, 1][y == 2], "g^", label="Iris-Virginica")
plt.axis(axes)
if iris:
plt.xlabel("Petal length", fontsize=14)
plt.ylabel("Petal width", fontsize=14)
else:
plt.xlabel(r"$x_1$", fontsize=18)
plt.ylabel(r"$x_2$", fontsize=18, rotation=0)
if legend:
plt.legend(loc="lower right", fontsize=14)
然后是测试代码:
from sklearn.datasets import make_moons
import matplotlib.pyplot as plt
X, y = make_moons(n_samples=100, noise=0.25, random_state=53)
tree_clf1 = DecisionTreeClassifier(random_state=42)
tree_clf2 = DecisionTreeClassifier(min_samples_leaf=4, random_state=42)
tree_clf1.fit(X, y)
tree_clf2.fit(X, y)
plt.figure(figsize=(12, 4))
plt.subplot(121)
plot_decision_boundary(tree_clf1, X, y, axes=[-1.5, 2.5, -1, 1.5], iris=False)
plt.title('No Restrictions')
plt.subplot(122)
plot_decision_boundary(tree_clf2, X, y, axes=[-1.5, 2.5, -1, 1.5], iris=False)
plt.title('min_samples_leaf = 4')
结果:
左边是没有增加预剪枝参数的决策边界,明显可以看出,它将一些离群点也考虑进去了,模型过为复杂,存在过拟合现象
而右边限制了 min_samples_leaf = 4 的决策树就没有存在明显的过拟合现象。
10.4 对数据的敏感性分析
先看左图,决策树很轻松的用一根垂直线将样本分成了两份,但如果我们对数据做一点小小的改动,将原本的数据进行90度旋转,如右图所示,决策边界就会复杂很多。
主要原因:决策树进行决策边界划分时只能沿着与坐标轴垂直的方向划分,所以对数据很敏感
可视化代码(plot_decision_boundary函数见10.3.2节):
from sklearn.tree import DecisionTreeClassifier
import matplotlib.pyplot as plt
import numpy as np
np.random.seed(6)
Xs = np.random.rand(100, 2) - 0.5
ys = (Xs[:, 0] > 0).astype(np.int32)*2
angle = np.pi / 4
rotation_matrix = np.array([[np.cos(angle), -np.sin(angle)],
[np.sin(angle), np.cos(angle)]])
Xsr = Xs.dot(rotation_matrix)
tree_clf_s = DecisionTreeClassifier(random_state=42)
tree_clf_s.fit(Xs, ys)
tree_clf_sr = DecisionTreeClassifier(random_state=42)
tree_clf_sr.fit(Xsr, ys)
plt.figure(figsize=(11, 4))
plt.subplot(121)
plot_decision_boundary(tree_clf_s,
Xs,
ys,
axes=[-0.7, 0.7, -0.7, 0.7],
iris=False)
plt.title('Sensitivity to training set rotation')
plt.subplot(122)
plot_decision_boundary(tree_clf_sr,
Xsr,
ys,
axes=[-0.7, 0.7, -0.7, 0.7],
iris=False)
plt.title('Sensitivity to training set rotation')
plt.show()
10.5 回归任务
# 构建数据
np.random.seed(42)
m = 200
X = np.random.rand(m,1)
y = 4 * (X - 0.5)**2
y = y + np.random.randn(m,1) / 10
# 数据可视化
plt.plot(X,y,'go')
plt.show()
创建回归树对象并训练:
from sklearn.tree import DecisionTreeRegressor
# 创建回归树
tree_reg = DecisionTreeRegressor(max_depth=2)
# 训练回归树
tree_reg.fit(X, y)
用10.2节中的可视化方法将树模型可视化:
可以发现,在回归树中,判断分支好坏的指标是MSE(均方差),分支后的子节点均方差越小越好,代表分支后,子节点的样本都比较接近,分类效果较好
from sklearn.tree import DecisionTreeRegressor
tree_regl = DecisionTreeRegressor(random_state=42, max_depth=2)
tree_reg2 = DecisionTreeRegressor(random_state=42, max_depth=3)
tree_regl.fit(X, y)
tree_reg2.fit(X, y)
def plot_regression_predictions(tree_reg,
X,
y,
axes=[0, 1, -0.2, 1],
ylabel="$y$"):
x1 = np.linspace(axes[0], axes[1], 500).reshape(-1, 1)
y_pred = tree_reg.predict(x1)
plt.axis(axes)
plt.xlabel("$x_1$", fontsize=18)
if ylabel:
plt.ylabel(ylabel, fontsize=18, rotation=0)
plt.plot(X, y, "b.")
plt.plot(x1, y_pred, "r.-", linewidth=2, label=r"$\hat{y}$")
plt.figure(figsize=(11, 4))
plt.subplot(121)
plot_regression_predictions(tree_regl, X, y)
for split, style in ((0.1973, "k-"), (0.0917, "k-"), (0.7718, "k-")):
plt.plot([split, split], [-0.2, 1], style, linewidth=2)
plt.text(0.21, 0.65, "Depth=0", fontsize=15)
plt.text(0.01, 0.2, "Depth=1", fontsize=13)
plt.text(0.65, 0.8, "Depth=1", fontsize=13)
plt.legend(loc="upper center", fontsize=18)
plt.title("max_depth=2", fontsize=14)
plt.subplot(122)
plot_regression_predictions(tree_reg2,X,y,ylabel=None)
for split,style in ((0.1973,"k-"),(0.0917,"k-"),(0.7718,"k-")):
plt.plot([split,split],[-0.2,1],style,linewidth=2)
for split in (0.0458,0.1298,0.2873,0.9040):
plt.plot([split,split],[-0.2,1],"k:",linewidth=1)
plt.text(0.3,0.5,"Depth=2",fontsize=13)
plt.title("max_depth=3",fontsize=14)
plt.show ()
从下图可以看出,max_depth设置为3的模型较为复杂,max_depth设置为2的模型较为简单
让我们不限制回归树模型看看它能多复杂
tree_reg1 = DecisionTreeRegressor(random_state=42)
tree_reg2 = DecisionTreeRegressor(random_state=42, min_samples_leaf=10)
tree_reg1.fit(X, y)
tree_reg2.fit(X, y)
x1 = np.linspace(0, 1, 500).reshape(-1, 1)
y_pred1 = tree_reg1.predict(x1)
y_pred2 = tree_reg2.predict(x1)
plt.figure(figsize=(11, 4))
plt.subplot(121)
plt.plot(X, y, "b.")
plt.plot(x1, y_pred1, "r.-", linewidth=2, label=r"$\hat{y}$")
plt.axis([0, 1, -0.2, 1.1])
plt.xlabel("$x_1$", fontsize=18)
plt.ylabel("$y$", fontsize=18, rotation=0)
plt.legend(loc="upper center", fontsize=18)
plt.title("No restrictions", fontsize=14)
plt.subplot(122)
plt.plot(X,y,"b.")
plt.plot(x1,y_pred2,"r.-",linewidth=2,label=r"$\hat{y}$")
plt.axis([0,1,-0.2,1.1])
plt.xlabel("$x_1$",fontsize=18)
plt.title("min_samples_leaf=10".format (tree_reg2.min_samples_leaf),fontsize=14)
plt.show()
下图中可以看出,左边(不进行预剪枝)的回归树模型非常复杂,几乎拟合了所有点
右边限制了 min_samples_leaf=10 的回归树 就相对简单一些