Python大数据分析——决策树和随机森林
- 决策树
- 决策树节点字段的选择
- 信息熵
- 条件熵
- 信息增益
- 信息增益率
- 基尼指数
- 条件基尼指数
- 基尼指数增益
- 决策树函数
- 随机森林
- 函数
决策树
图中的决策树呈现自顶向下的生长过程，深色的椭圆表示树的根节点；浅色的椭圆表示树的中间节点；方框则表示树的叶节点。
对于所有的非叶节点来说，都是用来表示条件判断，而叶节点则存储最终的分类结果，例如中年分支下的叶节点(4,0)表示4位客户购买，0位客户不购买。
决策树节点字段的选择
信息熵
我们首先了解下信息熵
熵原本是物理学中的一个定义，后来香农将其引申到了信息论领域，用来表示信息量的大小。信息量越大(分类越不“纯净”)，对应的熵值就越大，反之亦然。也就是信息量大，熵大，一个事件发生的概率小，反之亦然。信息熵的计算公式如下:
在实际应用中，会将概率p的值用经验概率替换，所以经验信息可以表示为：
举个例子：以产品是否被购买为例，假设数据集一共包含14个样本，其中购买的用户有9个，没有购买的用户有5个，所以对于是否购买这个事件来说，它的经验信息为：
条件熵
判断在某个条件下的信息熵为条件熵
比如：
信息增益
对于已知的事件A来说，事件D的信息增益就是D的信息熵与A事件下D的条件熵之差，事件A对事件D的影响越大，条件熵H(D|A)就会越小(在事件A的影响下，事件D被划分得越“纯净”)，体现在信息增益上就是差值越大，进而说明事件D的信息熵下降得越多。
所以，在根节点或中间节点的变量选择过程中，就是挑选出各自变量下因变量的信息增益最大的。
其中：D是事件Y的所有可能
信息增益率
决策树中的ID3算法使用信息增益指标实现根节点或中间节点的字段选择，但是该指标存在一个非常明显的缺点，即信息增益会偏向于取值较多的字段。
为了克服信息增益指标的缺点，提出了信息增益率的概念，"它的思想很简单，就是在信息增益的基础上进行相应的惩罚。信息增益率的公式可以表示为：
其中，HA为事件A的信息熵。事件A的取值越多，GainA(D)可能越大，但同时HA也会越大，这样以商的形式就实现了GainA(D)的惩罚。
基尼指数
决策树中的C4.5算法使用信息增益率指标实现根节点或中间节点的字段选择，但该算法与ID3算法致，都只能针对离散型因变量进行分类，对于连续型的因变量就显得束手无策了。
为了能够让决策树预测连续型的因变量，Breiman等人在1984年提出了CART算法，该算法也称为分类回归树，它所使用的字段选择指标是基尼指数。
条件基尼指数
基尼指数增益
与信息增益类似，还需要考虑自变量对因变量的影响程度，即因变量的基尼指数下降速度的快慢，下降得越快，自变量对因变量的影响就越强。下降速度的快慢可用下方式子衡量：
决策树函数
DecisionTreeClassifier(criterion=‘gini’, splitter=‘best’,max_depth=None,min_samples split=2,min_samples_leaf=1,max_leaf_nodes=None,class_weight=None)
criterion: 用于指定选择节点字段的评价指标，对于分类决策树，默认为’gini’，表示采用基尼指数选择节点的最佳分割字段；对于回归决策树，默认为’mse’，表示使用均方误差选择节点的最佳分割字段
splitter: 用于指定节点中的分割点选择方法，默认为’best’，表示从所有的分割点中选择最佳分割点如果指定为’random’，则表示随机选择分割点
max_depth: 用于指定决策树的最大深度，默认为None，表示树的生长过程中对深度不做任何限制
min_samples split: 用于指定根节点或中间节点能够继续分割的最小样本量， 默认为2
min_samples leaf: 用于指定叶节点的最小样本量，默认为1
max_leaf nodes:用于指定最大的叶节点个数，默认为None，表示对叶节点个数不做任何限制
class_weight:用于指定因变量中类别之间的权重，默认为None，表示每个类别的权重都相等;如果，则表示类别权重与原始样本中类别的比例成反比;还可以通过字典传递类别之间的权重为balanced差异，其形式为{class label:weight}
随机森林
利用Bootstrap抽样法，从原始数据集中生成k个数据集，并且每个数据集都含有N个观测和P个自变量。
针对每一个数据集，构造一棵CART决策树，在构建子树的过程中，并没有将所有自变量用作节点字段的选择，而是随机选择p个字段。
让每一棵决策树尽可能地充分生长，使得树中的每个节点尽可能“纯净”，即随机森林中的每一棵子树都不需要剪枝。
针对k棵CART树的随机森林，对分类问题利用投票法，将最高得票的类别用于最终的判断结果;对回归问题利用均值法，将其用作预测样本的最终结果。
生成100个树，每个数据集为一个树
函数
RandomForestClassifier(n_estimators=10,criterion=‘gini’, max_depth=None,min_samples_split=2, min_samples_leaf=1,max_leaf_nodes=None, bootstrap=True, class_weight=None)
n_estimators: 用于指定随机森林所包含的决策树个数
criterion: 用于指定每棵决策树节点的分割字段所使用的度量标准，用于分类的随机森林，默认的criterion值为’gini’;用于回归的随机森林，默认的criterion值为’mse’
max_depth: 用于指定每棵决策树的最大深度，默认不限制树的生长深度
min _samples_split: 用于指定每棵决策树根节点或中间节点能够继续分割的最小样本量， 默认为2
