实验用python实现决策树和随机森林分类

1.实验目的

1.会用Python提供的sklearn库中的决策树算法对数据进行分类
2.会用Python提供的sklearn库中的随机森林算法对数据进行分类
3.会用Python提供的方法对数据进行预处理

2.设备与环境

使用Spyder并借助Python语言进行实现

3.实验原理

决策树( Decision Tree) 又称为判定树，是数据挖掘技术中的一种重要的分类与回归方法，它是一种以树结构（包括二叉树和多叉树）形式来表达的预测分析模型。其每个非叶节点表示一个特征属性上的测试，每个分支代表这个特征属性在某个值域上的输出，而每个叶节点存放一个类别。
决策树的构建
1.特征选择：选取有较强分类能力的特征。
2.决策树生成：典型的算法有 ID3 和 C4.5，它们生成决策树过程相似， ID3 是采用信息增益作为特征选择度量，而 C4.5 采用信息增益比率。
3.决策树剪枝：剪枝原因是决策树生成算法生成的树对训练数据的预测很准确，但是对于未知数据分类很差，这就产生了过拟合的现象。涉及算法有CART算法。
在这里插入图片描述

4.实验内容

使用决策树算法和随机森林算法对income_classification.csv的收入水平进行分类。训练集和测试集的比例是7:3，选取适当的特征列，使得针对测试样本的分类准确率在80%以上，比较2种分类方法的准确率。
数据说明：

特征列：
age：年龄，整数
workclass：工作性质，字符串
education：教育程度，字符串
education_num：受教育年限，整数
maritial_status：婚姻状况，字符串
occupation：职业，字符串
relationship：亲戚关系，字符串
race：种族，字符串
sex：性别，字符串
capital_gain：资本收益，浮点数
capital_loss：资本损失，浮点数
hours_per_week：每周工作小时数，浮点数
native_country：原籍，字符串

分类标签列：income
imcome > 50K
Imcome ≤ 50K

1.读入数据并显示数据的维度和前5行数据
import pandas as pd
import numpy as np
2. 对连续变量年龄进行离散化，并显示前5行数据离散化后的结果
age_bins = [20, 30,40, 50, 60, 70]
3.对属性是字符串的任意特征进行数字编号处理，显示前5行编码后的结果，每个特定的字符串用一个整数来表示，整数序列从0开始增长。
from sklearn.preprocessing import LabelEncoder
enc = LabelEncoder()
4.对预处理后的数据用决策树算法和随机森林算法分类

实验步骤

选择合适的若干特征字段
按7:3划分训练集和样本集
使用训练集训练一个决策树分类器
使用测试集计算决策树分类器的分类准确率
使用训练集训练一个随机森林分类器
使用测试集计算随机森林分类器的分类准确率
fromsklearn.ensemble import RandomForestClassifier
from sklearn importtree
fromsklearn.preprocessing import LabelEncoder
fromsklearn.feature_extraction import DictVectorizer
accuracy_random =clf_random.score(xTest, yTest)

5.实验结果分析

利用决策树和随机森林求解得到的结果如下：
在这里插入图片描述

6.附录（代码）

#决策树和随机森林：
import numpy as np
import pandas as pd
from sklearn import tree
from sklearn.ensemble import RandomForestClassifier
from sklearn.feature_extraction import DictVectorizer
from sklearn.preprocessing import LabelEncoderprint('1.载入数据.....')
data = pd.read_excel(r"C:\Users\user\Desktop\income_classification.xlsx", header=0)
print('数据的维度和前五行数据：', data.shape)
print(data.head())print('对连续变量age进行离散化处理，等宽分成五类，显示前五行：')
AGE_CUT = pd.cut(x=data['age'], bins=5, labels=range(0, 5))
data['age'] = AGE_CUT
print(data.head(5))
class_le = LabelEncoder()
data['workclass'] = pd.DataFrame(class_le.fit_transform(data['workclass']))
data['marital-status'] = pd.DataFrame(class_le.fit_transform(data['marital-status']))
data['occupation'] = pd.DataFrame(class_le.fit_transform(data['occupation']))
data['education'] = pd.DataFrame(class_le.fit_transform(data['education']))
data['native-country'] = pd.DataFrame(class_le.fit_transform(data['native-country']))
data['relationship'] = pd.DataFrame(class_le.fit_transform(data['relationship']))
data['race'] = pd.DataFrame(class_le.fit_transform(data['race']))
data['sex'] = pd.DataFrame(class_le.fit_transform(data['sex']))
print('显示前五行编码后的结果：')
print(data.head(5))
data1 = []
labels = []
for index, row in data.iterrows():# data需要是字典形式，因为之后需要使用DictVectorizer()修改字符串数据类型，以便符合DecisionTreeClassifier()rowDict = {}row = list(row)rowDict['age'] = row[0]rowDict['workclass'] = row[1]rowDict['education'] = row[2]rowDict['education_num'] = row[3]rowDict['maritial_status'] = row[4]rowDict['occupation'] = row[5]rowDict['relationship'] = row[6]rowDict['race'] = row[7]rowDict['sex'] = row[8]rowDict['capital_gain'] = row[9]rowDict['capital_loss'] = row[10]rowDict['hours_per_week'] = row[11]rowDict['native_country'] = row[12]data1.append(rowDict)labels.append(row[-1])print('2. 构造数据和标签.....')
x = np.array(data1)
labels = np.array(labels)
y = np.zeros(labels.shape)  # 初始label全为0
y[labels == '<=50K'] = 0  # 当label等于这三种属性的话，设置为1。
y[labels == '>50K'] = 1# 转换字符串数据类型
print('3.转换字符串数据类型.....')
vec = DictVectorizer()
dx = vec.fit_transform(x).toarray()# 拆分成训练数据和测试数据
print('4.拆分训练数据和测试数据.....')
print('训练集和验证集比例7:3')
ratio = 0.7
xTrain = []
yTrain = []
xTest = []
yTest = []
features = xTrain, xTest
labels = yTrain, yTest
for i in range(len(dx)):dataSetIndex = 0 if np.random.random() < ratio else 1features[dataSetIndex].append(dx[i])labels[dataSetIndex].append(y[i])# CART决策树分类
print('5.CART决策树分类.....')
clf_cart = tree.DecisionTreeClassifier(criterion='entropy')  # CART算法，使用entropy作为标准；默认是是用gini作为标准
clf_cart.fit(xTrain, yTrain)# 检查准确率
accuracy_cart = clf_cart.score(xTest, yTest)
print('CART树分类准确率：', accuracy_cart)print('6.随机森林分类.....')
clf_random = RandomForestClassifier()
clf_random.fit(xTrain, yTrain)# 检查准确率
accuracy_random = clf_random.score(xTest, yTest)
print('随机森林分类准确率：', accuracy_random)