分析機器學習之決策樹Python實現
在開始學習前，需要準備好相應的環境配置。這里我選擇了anaconda，創建了一個專門的虛擬環境來學習機器學習。這里關于anaconda的安裝等就不贅述了，沒有難度。
二、決策樹是什么通俗的說，有督促學習方法就是需要一個標簽，即在知道答案的基礎上進行模型訓練。決策樹就是從數據中讀取出特定的特征，根據這些特征總結出決策規，然后使用樹結構來呈現。
三、快速入門分類樹得益于強大的sklearn庫，讓我們使用決策樹的算法十分簡單：
在這里，我們引入紅酒數據集，這是一個很小的數據集。
from sklearn import treefrom sklearn.datasets import load_winefrom sklearn.model_selection import train_test_splitwine = load_wine()
然后我們就可以看看數據集長啥樣了：
wine.data.shape(178, 13)wine.targetarray([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])
但這么看似乎不是很直觀。我們使用pandas轉換成表格格式：
import pandas as pdpd.concat([pd.DataFrame(wine.data),pd.DataFrame(wine.target)],axis=1)
可以看到，這個數據集只有178行，14列。數據量還是很小的。最后一列是我們的標簽，每個數字對應一個具體的分類。
wine.feature_names[’alcohol’, ’malic_acid’, ’ash’, ’alcalinity_of_ash’, ’magnesium’, ’total_phenols’, ’flavanoids’, ’nonflavanoid_phenols’, ’proanthocyanins’, ’color_intensity’, ’hue’, ’od280/od315_of_diluted_wines’, ’proline’]
可以看到，每個列對應一個特征，如0號列對應的就是alcohol，即酒精含量。其他的以此類推。
在看完數據集后，我們直接上手訓練模型唄！
x_train,x_test,y_train,y_test = train_test_split(wine.data,wine.target,test_size=0.3)clf = tree.DecisionTreeClassifier(criterion='entropy')clf = clf.fit(x_train,y_train)score = clf.score(x_test,y_test) # 返回預測的準確度accuracy
先分測試集，即第一行代碼。然后我們調用函數，使用fit來訓練，score來打分。運行這段代碼，我們看看得了多少分：
百分之九十的準確率，還是十分高的。
但這么看，似乎不是很直觀啊。我們可以把這棵樹畫出來：
feature_name = [’酒精’,’蘋果酸’,’灰’,’灰的堿性’,’鎂’,’總酚’,’類黃酮’,’非黃烷類酚類’,’花青素’,’顏色強度’,’色調’,’od280/od315稀釋葡萄酒’,’脯氨酸’]import graphviz# filled 顏色 rounded 圓角dot_data = tree.export_graphviz(clf,feature_names=feature_name,class_names=['琴酒','雪莉','貝爾摩德'],filled=True,rounded=True )graph = graphviz.Source(dot_data)graph
這里我們引入了graphviz包，畫出了我們剛才的決策樹：
這里的class是隨便寫的，你也可以寫別的。
四、詳細分析入門案例可以看到，我們這棵樹中并沒有使用所有的特征，可能只使用了四五個的樣子。我們可以使用一個函數來看看每個特征的百分比：
clf.feature_importances_array([0., 0., 0.03388406, 0., 0., 0., 0.42702463, 0., 0., 0.24446215, 0., 0., 0.29462916])
可以看到，我們只用了4個特征，得出了一顆樹。這么看似乎不是很直觀，我們用zip函數和對應的特征聯一下：
[*zip(feature_name,clf.feature_importances_)][(’酒精’, 0.0), (’蘋果酸’, 0.0), (’灰’, 0.03388405728736582), (’灰的堿性’, 0.0), (’鎂’, 0.0), (’總酚’, 0.0), (’類黃酮’, 0.42702463433869187), (’非黃烷類酚類’, 0.0), (’花青素’, 0.0), (’顏色強度’, 0.24446214572197708), (’色調’, 0.0), (’od280/od315稀釋葡萄酒’, 0.0), (’脯氨酸’, 0.29462916265196526)]
這樣我們就會發現，占比最大的就構成了決策樹的根節點，然后以此類推。
五、分類樹參數解釋5.1、criterion為了要將表格轉化為一棵樹，決策樹需要找出最佳節點和最佳的分枝方法，對分類樹來說，衡量這個“最佳”的指標叫做“不純度”。通常來說，不純度越低，決策樹對訓練集的擬合越好。現在使用的決策樹算法在分枝方法上的核心大多是圍繞在對某個不純度相關指標的最優化上。
暫且不去理解所謂不純度的概念，這個參數我們有兩種取值：entropy與gini。那么這兩種算法有什么區別呢？
比起基尼系數，信息熵對不純度更加敏感，對不純度的懲罰最強。但是在實際使用中，信息熵和基尼系數的效果基本相同。信息熵的計算比基尼系數緩慢一些，因為基尼系數的計算不涉及對數。另外，因為信息熵對不純度更加敏感，所以信息熵作為指標時，決策樹的生長會更加“精細”，因此對于高維數據或者噪音過多的數據，信息熵很容易過擬合，基尼系數在這種情況下效果往往比較好。當模型擬合程度不足的時候，即當模型在訓練集和測試集上都表現不太好的時候，使用信息熵。當然，這些不是絕對的。
簡單來說，我們在調參時可以兩個都試試，默認是gini。因為這兩個算法其實并沒有絕對說用哪個。
5.2、random_state & splitterrandom_state用來設置分枝中的隨機模式的參數，默認None，在高維度時隨機性會表現更明顯，低維度的數據（比如鳶尾花數據集），隨機性幾乎不會顯現。輸入任意整數，會一直長出同一棵樹，讓模型穩定下來。
splitter也是用來控制決策樹中的隨機選項的，有兩種輸入值，輸入”best'，決策樹在分枝時雖然隨機，但是還是會優先選擇更重要的特征進行分枝（重要性可以通過屬性feature_importances_查看），輸入“random'，決策樹在分枝時會更加隨機，樹會因為含有更多的不必要信息而更深更大，并因這些不必要信息而降低對訓練集的擬合。這也是防止過擬合的一種方式。
這兩個參數可以讓樹的模型穩定，并且更好的使用模型。
clf = tree.DecisionTreeClassifier(criterion='entropy' ,random_state=0 ,splitter='random' )clf = clf.fit(x_train, y_train)score = clf.score(x_test, y_test)score
比如我們添加了一些參數后，再次運行：
可以發現準確率飛到了98%，這說明我們參數的調整還是很有用的。
5.3、剪枝參數在不加限制的情況下，一棵決策樹會生長到衡量不純度的指標最優，或者沒有更多的特征可用為止。這樣的決策樹往往會過擬合，這就是說，它會在訓練集上表現很好，在測試集上卻表現糟糕。我們收集的樣本數據不可能和整體的狀況完全一致，因此當一棵決策樹對訓練數據有了過于優秀的解釋性，它找出的規則必然包含了訓練樣本中的噪聲，并使它對未知數據的擬合程度不足。
簡單的說，我們需要對決策樹進行限制，不能讓他無限制的增長下去，不然只會讓模型過擬合。
max_depth：
限制樹的最大深度，超過設定深度的樹枝全部剪掉。這是使用的最廣泛的剪枝參數，實際使用建議從3開始嘗試。
min_samples_leaf & min_samples_split：
min_samples_leaf限定，一個節點在分枝后的每個子節點都必須包含至少min_samples_leaf個訓練樣本，否則分枝就不會發生，或者，分枝會朝著滿足每個子節點都包含min_samples_leaf個樣本的方向去發生。
min_samples_split限定，一個節點必須要包含至少min_samples_split個訓練樣本，這個節點才允許被分枝，否則分枝就不會發生。
這段話看起來很繞口，我們結合代碼：
clf = tree.DecisionTreeClassifier(criterion='entropy' ,random_state=30 ,splitter='random' ,max_depth=4#,min_samples_leaf=12 #,min_samples_split=10 , )clf = clf.fit(x_train, y_train)dot_data = tree.export_graphviz(clf,feature_names= feature_name,class_names=['琴酒','雪莉','貝爾摩德'],filled=True,rounded=True )graph = graphviz.Source(dot_data)graph
可以自己去跑一下理解一下。
max_features & min_impurity_decrease：
max_features限制分枝時考慮的特征個數，超過限制個數的特征都會被舍棄。和max_depth異曲同工，max_features是用來限制高維度數據的過擬合的剪枝參數，但其方法比較暴力，是直接限制可以使用的特征數量而強行使決策樹停下的參數，在不知道決策樹中的各個特征的重要性的情況下，強行設定這個參數可能會導致模型學習不足。如果希望通過降維的方式防止過擬合，建議使用PCA，ICA或者特征選擇模塊中的降維算法。
但我們怎么確定一個參數是最優的呢？我們可以通過畫圖的方式來查看：
import matplotlib.pyplot as pltfrom matplotlib.pyplot import MultipleLocatortest = []for i in range(50): clf = tree.DecisionTreeClassifier(max_depth=4 ,criterion='entropy' ,random_state=30 ,splitter='random' ,min_samples_leaf=i+5 ) clf = clf.fit(x_train, y_train) score = clf.score(x_test, y_test) test.append(score)x_major_locator=MultipleLocator(2)plt.plot(range(1,51),test,color='green',label='min_samples_leaf')ax=plt.gca()ax.xaxis.set_major_locator(x_major_locator)plt.legend()plt.show()
我們就可以清晰的看到了最高點出現在什么地方，進而更好的調參。
5.4、目標權重參數：class_weight & min_weight_fraction_leaf完成樣本標簽平衡的參數。樣本不平衡是指在一組數據集中，標簽的一類天生占有很大的比例。比如說，在銀行要判斷“一個辦了信用卡的人是否會違約”，就是是vs否（1%：99%）的比例。這種分類狀況下，即便模型什么也不做，全把結果預測成“否”，正確率也能有99%。因此我們要使用class_weight參數對樣本標簽進行一定的均衡，給少量的標簽更多的權重，讓模型更偏向少數類，向捕獲少數類的方向建模。該參數默認None，此模式表示自動給與數據集中的所有標簽相同的權重。
有了權重之后，樣本量就不再是單純地記錄數目，而是受輸入的權重影響了，因此這時候剪枝，就需要搭配min_weight_fraction_leaf這個基于權重的剪枝參數來使用。另請注意，基于權重的剪枝參數（例如min_weight_fraction_leaf）將比不知道樣本權重的標準（比如min_samples_leaf）更少偏向主導類。如果樣本是加權的，則使用基于權重的預修剪標準來更容易優化樹結構，這確保葉節點至少包含樣本權重的總和的一小部分。
以上就是分析機器學習之決策樹Python實現的詳細內容，更多關于Python實現決策樹的資料請關注好吧啦網其它相關文章！
相關文章：
網公網安備