【Sklearn-驯化】sklearn中决策树cart的用法，看这篇就够了

【Sklearn-驯化】sklearn中决策树cart的用法，看这篇就够了

本次修炼方法请往下查看
在这里插入图片描述

🌈 欢迎莅临我的个人主页 👈这里是我工作、学习、实践 IT领域、真诚分享 踩坑集合，智慧小天地！
🎇 免费获取相关内容文档关注：微信公众号，发送 pandas 即可获取
🎇 相关内容视频讲解 B站

🎓 博主简介：AI算法驯化师，混迹多个大厂搜索、推荐、广告、数据分析、数据挖掘岗位 个人申请专利40+，熟练掌握机器、深度学习等各类应用算法原理和项目实战经验。

🔧 技术专长：在机器学习、搜索、广告、推荐、CV、NLP、多模态、数据分析等算法相关领域有丰富的项目实战经验。已累计为求职、科研、学习等需求提供近千次有偿|无偿定制化服务，助力多位小伙伴在学习、求职、工作上少走弯路、提高效率，近一年好评率100% 。

📝 博客风采：积极分享关于机器学习、深度学习、数据分析、NLP、PyTorch、Python、Linux、工作、项目总结相关的实用内容。

文章目录

- 🎯 1. 基本介绍
- 💡 2. 原理介绍
- - 2.1 信息增益
  - 2.2 基尼指数
  - 2.3 CART树的原理推导
- 🔍 3. 代码实践
- - 3.1 sklearn代码实践
  - 3.2 高阶用法
- 🔍 4. 注意事项
- 🔍 5. 总结

🎯 1. 基本介绍

决策树（Decision Tree）是一种常用的机器学习算法，可以用于分类和回归问题。它使用树状结构来表示决策规则，并通过一系列条件进行判断和决策。
在训练决策树时，通常采用自顶向下的递归方法，通过选择能够使数据集的纯度提高最大的特征，将数据集分割成更小的子集。纯度是指数据集中同一类别数据的占比或误差的度量，常用的纯度衡量指标有基尼系数、信息熵等。
决策树可以根据数据集的特点进行灵活的分类和回归预测，且易于理解和解释。它具有可解释性强、处理缺失值和离散特征能力强等优点。然而，决策树在处理高维数据和过拟合问题上有一定的限制，因此通常需要结合其他方法进行优化和改进，如随机森林、梯度提升树等。
在scikit-learn（简称sklearn）库中，决策树模型通过DecisionTreeClassifier和DecisionTreeRegressor类实现。

💡 2. 原理介绍

决策树的构建基于以下准则：

2.1 信息增益

用于分类问题，衡量数据集的不确定性减少量。具体的公式如下所示，其中，d为样本集，a为离散属性，v为为类别属性a的种类个数， $∣ d ∣$ 为所以样本个数， $d^v|$ 为a属性中某个类别的样本个数，后面这一项相关于一个权重，相当于类别样本越多权重越大。：
$Gain(d,a)=E(d)-\sum_{v=1}^{v}\frac{|d^v|}{|d|}E(d^v)$
其中E(d)为信息熵用来描述事物的混乱情况，熵越大越混乱，具体的数学表达如下，其中d为样本集合，k为样本中的类别， $p_k$ 为第k类样本说占的比例。：
$-\sum_{k=1}^{|y|}p_klog_2p_k$
缺点： 1. 这个评价标准有一个不好的地方在于，对于某个类别，如果划分的种类越多，那么该类别的重要性就越高，这很明显不错，比如给每个样本进行一个标号，那么这个特征肯定重要性会很高，但是这样训练处理的模型泛化能力不佳。2. 该指标是全局的特征选择，不能具体寻找出这个属性在具体哪个值最优。3.而且只能处理离散值，不能处理连续值（如非要处理：可以通过对连续值进行大小排序取中位数，其实就是一种离散化的处理方法）
优点： 1.计算了所有样例的统计信息，对噪声不敏感。2.简单容易计算

2.2 基尼指数

和信息增益一样同样是用来评价划分后的效果的一种指标，基尼指数也是一种评估分裂效果的指标，该指标可以选出哪个特征并且哪个值是最优的，具体的数学表达如下所示：
$Gini(d)=1-\sum_{k=1}^{|y|}p_k^2$
$Gini(d,a)=\sum_{v=1}^{v}\frac{|d^v|}{d}Gini(d^v)$
其中，d为样本集，a为离散属性，v为为类别属性a的种类个数，为所以样本个数，为a属性中某个类别的样本个数。

2.3 CART树的原理推导

分类树（每颗子树都是二叉树）：

设置结点的训练数据集d, 计算所以特征对数据集d的基尼指数，并对每一个特征A，对其可能取的每一个值a，根据A是否等于a，将数据集d划分为 $d_1$ (等于a)和 $d_2$ (不等于a)两部分，利用上式的公式计算A=a时的基尼指数。
在所以可能的特征以及其每个值中，选择基尼指数最小的特征及其对应的最优特征与最优切分点，从该节点生成两个子节点，并将数据集d依据特征分配到两个子节点中去。
对生成的两个子节点重复调用1，2，直到满足停止条件
输出决策树（CART）

回归树： 其原理和分类树基本一致，只是每次进行树划分时选择的评价指标不一致，分类树是根据基尼指数来进行最优特征最优值，而回归树采样均方差最小来选择最优特征和最优值，因此，下面就介绍回归树的最优值选择方法：

$err_d=\sum_{i=1}^{|d|}(y_i-\overline{y})^2$
$err_{all} = err(d_1) + err(d2)$

其中， $err_d$ 为数据集d的均方差， $\overline{y}$ 是数据集d的均值，因此，回归树就是遍历所以的特征以及该特征下的每个值，以此值将数据划分为 $d_1$ 和 $d_2$ ，然后再计算该划分下的误差和 $err_{all}$ ，选择误差和最小的最优特征最优值，然后接着重复分类树的节点分裂方法。

🔍 3. 代码实践

3.1 sklearn代码实践

下面通过读取sklearn中自带的分类数据集来实践决策树的处理过程，具体的代码如下所示：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score# 加载iris数据集
iris = load_iris()
X, y = iris.data, iris.target# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 创建决策树分类器实例
tree_clf = DecisionTreeClassifier()# 训练模型
tree_clf.fit(X_train, y_train)# 在测试集上进行预测
y_pred = tree_clf.predict(X_test)# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"准确率: {accuracy:.2f}")

3.2 高阶用法

DecisionTreeClassifier是scikit-learn中用于分类任务的决策树模型。下面是一些常用的参数介绍：

criterion： 选择划分特征的衡量指标。可选的值包括"gini"和"entropy"，默认为"gini"。基尼系数（gini）和信息熵（entropy）都是用来衡量划分的纯度，选择哪个衡量指标取决于具体问题。
max_depth： 决策树的最大深度。用于控制决策树的复杂度和防止过拟合。默认为None，表示不限制决策树的深度。
min_samples_split： 拆分内部节点所需的最小样本数。如果某个内部节点的样本数小于该值，则不会再划分。默认为2。
min_samples_leaf： 叶节点所需的最小样本数。如果某个叶节点的样本数小于该值，则该叶节点会被剪枝，合并到其他叶节点上。默认为1。
max_features： 寻找最佳划分特征时要考虑的特征数量。可以是整数（表示考虑的特征数量）或浮点数（表示考虑特征比例）。默认为"auto"，表示考虑所有特征。
random_state： 随机种子。用于控制每次训练结果的随机性。默认为None。