分类算法-决策树、随机森林

决策树

1. 认识决策树

决策树模型呈树形结构。在分类问题中，表示基于特征对实例进行分类的过程，它可以认为是if-then规则的集合。在决策树的结构中，每一个实例都被一条路径或者一条规则所覆盖。

决策树学习通常包括三个步骤：特征选择、决策树的生成和决策树的修剪。

2. 信息论基础

信息熵：表示了信息的不确定性，单位为比特。

当所有事件发生概率相等时，信息熵最大，其不确定性最大

公式如下：

信息增益：

信息增益是决策树的划分依据之一。

其定义为：特征A对训练数据集D的信息增益为g(D,A),定义为集合D的信息熵H(D)与特征A给定条件下D的信息条件熵H(D|A)之差。
其公式为：

注：信息增益表示得知特征X的信息而使得类Y的信息的不确定性减少的程度。

3.sklearn决策树API

class sklearn.tree.DecisionTreeClassifier(criterion=’gini’, max_depth=None,random_state=None)

决策树分类器

criterion:默认是’gini’系数，也可以选择信息增益的熵’entropy’

max_depth:树的深度大小

random_state:随机数种子

方法:

decision_path:返回决策树的路径

4.决策树的结构、本地保存

sklearn.tree.export_graphviz() ----该函数能够导出DOT格式

tree.export_graphviz(estimator,out_file='tree.dot’,feature_names=[‘’,’’])

graphviz 工具能够将dot文件转换为pdf、png

5. 决策树的优缺点以及改进

优点：

简单的理解和解释，树木可视化。

需要很少的数据准备，其他技术通常需要数据归一化。

缺点：

决策树可能不稳定，因为数据的小变化可能会导致完全不同的树被生成。

改进：

减枝cart算法

随机森林

6. 案例–泰坦尼克号乘客生存分类

数据来源：http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt

流程：

1.pd读取数据

2.选择有影响的特征，处理缺失值

3.进行特征工程，pd转换字典，特征抽取----x_train.to_dict(orient=“records”)

4.决策树估计器流程

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction import DictVectorizer
from sklearn.tree import DecisionTreeClassifier,export_graphvizdef decision():#  获取数据taitan = pd.read_csv("http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt")# 选择特征值和目标值x = taitan [['pclass','age','sex']]y = taitan ['survived']# 处理缺失值x['age'].fillna(x['age'].mean(),inplace = True)# 分割数据到训练集和测试集x_train, x_test, y_train, y_test = train_test_split(x,y,test_size=0.25)# 特征工程处理，将 类别特征 用one-hot编码表示dict = DictVectorizer(sparse=False)x_train = dict.fit_transform(x_train.to_dict(orient = "records"))x_test = dict.fit_transform(x_test.to_dict(orient = "records"))# 用决策树进行预测dec = DecisionTreeClassifier(max_depth=5)dec.fit(x_train,y_train)print("测试集的预测准确率为：",dec.score(x_test,y_test))# 导出决策树结构export_graphviz(dec, out_file="tree.dot",feature_names=['年龄', 'pclass=1st', 'pclass=2nd', 'pclass=3rd', '女性', '男性'])if __name__ == '__main__':decision()

结果为：

测试集的预测准确率为： 0.8054711246200608

集成学习方法–随机森林

1.什么是随机森林

集成学习通过建立几个模型组合的来解决单一预测问题。它的工作原理是生成多个分类器/模型，各自独立地学习和作出预测。这些预测最后结合成单预测，因此优于任何一个单分类的做出预测。

在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。

2.随机森林的过程、优势

根据下列算法而建造每棵树：

用N来表示训练用例（样本）的个数，M表示特征数目。

输入特征数目m，用于确定决策树上一个节点的决策结果；其中m应远小于M。

从N个训练用例（样本）中以有放回抽样的方式，取样N次，形成一个训练集（即bootstrap取样），并用未抽到的用例（样本）作预测，评估其误差。

为什么要随机抽样训练集？

如果不进行随机抽样，每棵树的训练集都一样，那么最终训练出的树分类结果也是完全一样的

为什么要有放回地抽样？

如果不是有放回的抽样，那么每棵树的训练样本都是不同的，都是没有交集的，这样每棵树都是“有偏的”，都是绝对“片面的”（当然这样说可能不对），也就是说每棵树训练出来都是有很大的差异的；而随机森林最后分类取决于多棵树（弱分类器）的投票表决。

随机森林的优点

在当前所有算法中，具有极好的准确率

能够有效地运行在大数据集上

能够处理具有高维特征的输入样本，而且不需要降维

能够评估各个特征在分类问题上的重要性

对于缺省值问题也能够获得很好得结果

3.集成学习API

class sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’, max_depth=None, bootstrap=True, random_state=None)

随机森林分类器

n_estimators：integer，optional（default = 10）-----森林里的树木数量

criteria：string，可选（default =“gini”）-----分割特征的测量方法

max_depth：integer或None，可选（默认=无）-----树的最大深度

bootstrap：bool，optional（default = True）-----是否在构建树时使用放回抽样

max_features=“auto”-----每个决策树的最大特征数量

3.案例分析-泰坦尼克号乘客生存分类分析

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction import DictVectorizer
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
def decision():#  获取数据taitan = pd.read_csv("http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt")# 选择特征值和目标值x = taitan [['pclass','age','sex']]y = taitan ['survived']# 处理缺失值x['age'].fillna(x['age'].mean(),inplace = True)# 分割数据到训练集和测试集x_train, x_test, y_train, y_test = train_test_split(x,y,test_size=0.25)# 特征工程处理，将 类别特征 用one-hot编码表示dict = DictVectorizer(sparse=False)x_train = dict.fit_transform(x_train.to_dict(orient = "records"))x_test = dict.fit_transform(x_test.to_dict(orient = "records"))# 随机森林进行预测（超参数调优）rf = RandomForestClassifier()param = {"n_estimators":[120,200,300,500,800,1200],"max_depth":[5,8,15,25,30]}# 网络搜索与交叉验证gc = GridSearchCV(rf,param,cv=2)gc.fit(x_train, y_train)print("在测试集上准确率为：", gc.score(x_test, y_test))print("在交叉验证中测试的最好结果:", gc.best_score_)print("最好的参数模型:", gc.best_estimator_)
if __name__ == '__main__':decision()

结果为：