sklearn.DecisionTreeClassifier决策树简单使用
- 1.决策树算法基础
- 2.sklearn.DecisionTreeClassifier简单实践
- 2.1 决策树类
- 2.3 决策树构建
- 2.3.1全数据集拟合，决策树可视化
- 2.3.2交叉验证实验
- 2.3.3超参数搜索
- 2.3.4模型保存与导入
- 2.3.5固定随机数种子
- 参考资料
1.决策树算法基础
决策树模型可以用来做 回归/分类 任务。
每次选择一个属性/特征，依据特征的阈值，将特征空间划分为 与 坐标轴平行的一些决策区域。如果是分类问题，每个决策区域的类别为该该区域中多数样本的类别；如果为回归问题，每个决策区域的回归值为该区域中所有样本值的均值。
决策树复杂程度 依赖于 特征空间的几何形状。根节点->叶子节点的一条路径产生一条决策规则。
决策树最大优点：可解释性强
决策树最大缺点：不是分类正确率最高的模型
决策树的学习是一个NP-Complete问题，所以实际中使用启发性的规则来构建决策树。
step1：选最好的特征来划分数据集
step2：对上一步划分的子集重复步骤1，直至停止条件（节点纯度/分裂增益/树深度）
不同的特征衡量标准，产生了不同的决策树生成算法：
| 算法 | 最优特征选择标准 |
|---|---|
| ID3 | 信息增益:Gain(A)=H(D)−H(D∥A)Gain(A)=H(D)-H(D\|A)Gain(A)=H(D)−H(D∥A) |
| C4.5 | 信息增益率:GainRatio(A)=Gain(A)/Split(A)GainRatio(A)=Gain(A)/Split(A)GainRatio(A)=Gain(A)/Split(A) |
| CART | gini指数增益：Gini(D)−Gini(D∥A)Gini(D)-Gini(D\|A)Gini(D)−Gini(D∥A) |
k个类别，类别分布的gini 指数如下，gini指数越大，样本的不确定性越大：
Gini(D)=∑k=1Kpk(1−pk)=1−∑k=1Kpk2Gini(D) =\sum_{k=1}^Kp_k(1-p_k)=1-\sum_{k=1}^Kp_k^2Gini(D)=k=1∑Kpk(1−pk)=1−k=1∑Kpk2
CART – Classification and Regression Trees 的缩写1984年提出的一个特征选择算法，对特征进行是/否判断，生成一棵二叉树。且每次选择完特征后不对特征进行剔除操作，所有同一条决策规则上可能出现重复特征的情况。
2.sklearn.DecisionTreeClassifier简单实践
Scikit-learn(sklearn)是机器学习中常用的第三方模块,其建立在NumPy、Scipy、MatPlotLib之上,包括了回归，降维，分类，聚类方法。
sklearn 通过以下两个类实现了 决策分类树 和 决策回归树
sklearn 实现了ID3和Cart 算法，criterion默认为"gini"系数，对应为CART算法。还可设置为"entropy",对应为ID3。(计算机最擅长做的事：规则重复计算，sklearn通过对每个特征的每个切分点计算信息增益/gini增益，得到当前数据集合最优的特征及最优划分点)
2.1 决策树类
sklearn.tree.DecisionTreeClassifier(criterion=’gini’*,splitter=’best’, max_depth=None,
min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0,
max_features=None, random_state=None, max_leaf_nodes=None,
min_impurity_decrease=0.0, min_impurity_split=None, class_weight=None, presort=False)
DecisionTreeRegressor(criterion=’mse’, splitter=’best’,
max_depth=None, min_samples_split=2, min_samples_leaf=1,
min_weight_fraction_leaf=0.0, max_features=None, random_state=None,
max_leaf_nodes=None, min_impurity_decrease=0.0,
min_impurity_split=None, presort=False)
| Criterion | 选择属性的准则–gini–cart算法 |
|---|---|
| splitter | 特征划分点的选择策略：best 特征的所有划分点中找最优 |
| random 部分划分点中找最优 | |
| max_depth | 决策树的最大深度，none/int 限制/不限制决策树的深度 |
| min_samples_split | 节点 继续划分需要的最小样本数，如果少于这个数，节点将不再划分 |
| min_samples_leaf | 限制叶子节点的最少样本数量，如果叶子节点的样本数量过少会被剪枝 |
| min_weight_fraction_leaf | 叶子节点的剪枝规则 |
| max_features | 选取用于分类的特征的数量 |
| random_state | 随机数生成的一些规则、 |
| max_leaf_nodes | 限制叶子节点的数量，防止过拟合 |
| min_impurity_decrease | 表示结点减少的最小不纯度，控制节点的继续分割规律 |
| min_impurity_split | 表示结点划分的最小不纯度，控制节点的继续分割规律 |
| class_weight | 设置各个类别的权重，针对类别不均衡的数据集使用 |
| 不适用于决策树回归 | |
| presort | 控制决策树划分的速度 |
2.3 决策树构建
采用sklearn内置数据集鸢尾花数据集做实验。
导入第三方库
from sklearn import tree
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris
import graphviz
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, precision_score, recall_score
import joblib
plt.switch_backend('agg')
2.3.1全数据集拟合，决策树可视化
def demo1():# 全数据集拟合，决策树可视化iris = load_iris()x, y = load_iris(return_X_y = True) # x[list]-feature,y[]-label clf = tree.DecisionTreeClassifier() # 实例化了一个类,可以指定类参数，定制决策树模型clf = clf.fit(x,y) # 训练模型print("feature name ", iris.feature_names) # 特征列表, 自己的数据可视化时，构建一个特征列表即可print("label name ",iris.target_names) # 类别列表dot_data = tree.export_graphviz(clf, out_file = None, feature_names = iris.feature_names, class_names = iris.target_names ) graph = graphviz.Source(dot_data) # 能绘制树节点的一个接口graph.render("iris") # 存成pdf图
| tree.export_graphviz 参数 | |
|---|---|
| feature_names | 特征列表list，和训练时的特征列表排列顺序对其即可 |
| class_names | 类别l列表ist，和训练时的label列表排列顺序对其即可 |
| filled | False/True,会依据criterion的纯度将节点显示成不同的颜色 |
value中的值显示的是各个类别样本的数量（二分类就是[负样本数，正样本数]）
2.3.2交叉验证实验
def demo2():# n-折实验iris = load_iris()iris_feature = iris.data # 与demo1中的x,y是同样的数据iris_target = iris.target# 数据集合划分参数：train_x, test_x, train_y, test_y = train_test_split(iris_feature,iris_target,test_size = 0.2, random_state = 1)dt_model = DecisionTreeClassifier()dt_model.fit(train_x, train_y) # 模型训练predict_y = dt_model.predict(test_x) # 模型预测输出# score = dt_model.score(test_x,test_y) # 模型测试性能： 输入：feature_test,target_test , 输出acc# print(score) # 性能指标print("label: \n{0}".format(test_y[:5])) # 输出前5个labelprint("predict: \n{0}".format(predict_y[:5])) # 输出前5个label# sklearn 内置acc, recall, precision统计接口print("test acc: %.3f"%(accuracy_score(test_y, predict_y)))# print("test recall: %.3f"%(recall_score(test_y, predict_y))) # 多类别统计召回率需要指定平均方式# print("test precision: %.3f"%(precision_score(test_y, predict_y))) # 多类别统计准确率需要指定平均方式
2.3.3超参数搜索
def model_search(feas,labels):# 模型参数选择,全数据5折交叉验证，出结果min_impurity_de_entropy = np.linspace(0, 0.01, 10) # 纯度增益下界，划分后降低量少于这个值，将不进行分裂min_impurity_split_entropy = np.linspace(0, 0.4, 10) # 当前节点纯度小于这个值将不分裂，较高版本中已经取消这个参数max_depth_entropy = np.arange(1,11) # 决策树的深度# param_grid = {"criterion" : ["entropy"], "min_impurity_decrease" : min_impurity_de_entropy,"max_depth" : max_depth_entropy,"min_impurity_split" : min_impurity_split_entropy }param_grid = {"criterion" : ["entropy"], "max_depth" : max_depth_entropy, "min_impurity_split" : min_impurity_split_entropy }clf = GridSearchCV(DecisionTreeClassifier(), param_grid, cv = 5) # 遍历以上超参， 通过多次五折交叉验证得出最优的参数选择clf.fit(feas, label) print("best param:", clf.best_params_) # 输出最优参数选择print("best score:", clf.best_score_)2.3.4模型保存与导入
模型保存
joblib.dump(clf,"./dtc_model.pkl")
模型导入
model_path = “./dtc_model.pkl”
clf = joblib.load(model_path)
2.3.5固定随机数种子
1.五折交叉验证,数据集划分随机数设置 random_state
train_test_split(feas, labels, test_size = 0.2, random_state = 1 )
2.模型随机数设置 andom_state
DecisionTreeClassifier(random_state = 1)
参考资料
1.官网类接口说明：
https://scikit-learn.org/dev/modules/generated/sklearn.tree.DecisionTreeClassifier.html#sklearn.tree.DecisionTreeClassifier
可视化接口说明https://scikit-learn.org/stable/modules/generated/sklearn.tree.export_graphviz.html
2.决策树超参数调参技巧：https://www.jianshu.com/p/230be18b08c2
3.Sklearn.metrics 简介及应用示例：https://blog.csdn.net/Yqq19950707/article/details/90169913
4.sklearn的train_test_split()各函数参数含义解释（非常全）：https://www.cnblogs.com/Yanjy-OnlyOne/p/11288098.html
5.sklearn.tree.DecisionTreeClassifier 详细说明：https://www.jianshu.com/p/8f3f1e706f11
6.使用scikit-learn中的metrics以及DecisionTreeClassifier重做《机器学习实战》中的隐形眼镜分类问题：http://keyblog.cn/article-235.html
7.决策树算法：https://www.cnblogs.com/yanqiang/p/11600569.html
