机器学习入门详细解析（二）决策树、随机森林

文章目录

分类算法-决策树
- 认识决策树
- 信息熵
- 决策树的划分一句之一：信息增益
- - 信息增益的计算
  - 算法案例-泰坦尼克号乘客生存分类模型
  - 决策树的优缺点以及改进
集成学习方法-随机森林
- 什么是随机森林
- 算法实例-泰坦尼克号乘客生存分类模型随机森林做法
- 随机森林的优点
- 随机森林的优点

分类算法-决策树

关于机器学习开发流程等知识可见：机器学习入门详细解析（一）开发流程\sklearn\k近邻算法\朴素贝叶斯算法\交叉验证

认识决策树

决策树思想的来源非常朴素，程序设计中的条件分支结构就是if-then结构，最早的决策树就是利用这类结构分割数据的一种分类学习方法
银行贷款数据
如何去划分是否能得到贷款？
- 决策树的实际划分
信息的度量和作用
- 问：每猜一次给一块钱，告诉我是否猜对了，那么我需要掏多少钱才能知道谁是冠军？
  
  答：我可以把球编上号，从1到32，然后提问：冠军在1-16号吗？依次询问，只需要五次，就可以知道结果。
1948年，香农发表了划时代的论文——通信的数学原理，奠定了现代信息论的基础信息的单位：比特。
- ```
 32支球队，log32 = 5 比特64支球队，log64 = 6 比特
```

信息熵

谁是世界杯冠军”的信息量应该比5比特少。香农指出，它的准确信息量应该是：
H=−(p1∗logp1+p2∗logp2+...+p32log32)H = -(p1*logp1 + p2*logp2 + ... + p32log32) H=−(p1∗logp1+p2∗logp2+...+p32log32)

H的专业术语称之为信息熵，单位为比特。**
公式：
当这32支球队夺冠的几率相同时，对应的信息熵等于5比特
信息和消除不确定性是相联系的

决策树的划分一句之一：信息增益

特征A对训练数据集D的信息增益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，即公式为：

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

信息增益的计算

常见决策树使用的算法

ID3 信息增益最大的准则
C4.5 信息增益比最大的准则
CART
- 回归树: 平方误差最小
- 分类树: 基尼系数最小的准则在sklearn中可以选择划分的原则

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# method:
# decision_path:返回决策树的路径

算法案例-泰坦尼克号乘客生存分类模型

在泰坦尼克号和titanic2数据帧描述泰坦尼克号上的个别乘客的生存状态。在泰坦尼克号的数据帧不包含从剧组信息，但它确实包含了乘客的一半的实际年龄。关于泰坦尼克号旅客的数据的主要来源是百科全书Titanica。这里使用的数据集是由各种研究人员开始的。其中包括许多研究人员创建的旅客名单，由Michael A. Findlay编辑。我们提取的数据集中的特征是票的类别，存活，乘坐班，年龄，登陆，home.dest，房间，票，船和性别。乘坐班是指乘客班（1，2，3），是社会经济阶层的代表。其中age数据存在缺失。

分析步骤

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

决策树的结构、本地保存

# 1、sklearn.tree.export_graphviz() 该函数能够导出DOT格式
tree.export_graphviz(estimator,out_file='tree.dot’,feature_names=[‘’,’’])# 2、工具:(能够将dot文件转换为pdf、png)
#安装graphviz
ubuntu:sudo apt-get install graphviz                    Mac:brew install graphviz# 3、运行命令
# 然后我们运行这个命令
$ dot -Tpng tree.dot -o tree.png

代码示例

from sklearn.feature_extraction import DictVectorizer
from sklearn.tree import DecisionTreeClassifier, export_graphviz
from sklearn.model_selection import train_test_split, GridSearchCV
import pandas as pddef decision():"""决策树对泰坦尼克号进行预测生死:return: None"""# 获取数据titan = pd.read_csv("./data/titanic/train.csv")# 处理数据，找出特征值和目标值x = titan[['Pclass', 'Age', 'Sex']]y = titan['Survived']# 缺失值处理x['Age'].fillna(x['Age'].mean(), inplace=True)# 分割数据集到训练集合测试集x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)# 进行处理（特征工程）特征-》类别-》one_hot编码dict = DictVectorizer(sparse=False)print(dict)x_train = dict.fit_transform(x_train.to_dict(orient="records"))print(dict.get_feature_names())x_test = dict.transform(x_test.to_dict(orient="records"))print(x_train)#用决策树进行预测dec = DecisionTreeClassifier()dec.fit(x_train, y_train)# 预测准确率print("预测的准确率：", dec.score(x_test, y_test))# 导出决策树的结构export_graphviz(dec, out_file="./tree.dot", feature_names=['年龄', 'Pclass=1st', 'Pclass=2nd', 'Pclass=3rd', '女性', '男性'])return Noneif __name__ == "__main__":decision()

结果：

DictVectorizer(sparse=False)
['Age', 'Pclass=1st', 'Pclass=2nd', 'Pclass=3rd', 'Sex=female', 'Sex=male']
[[17.  0.  0.  1.  0.  1.][19.  0.  0.  1.  1.  0.][50.  1.  0.  0.  0.  1.]...[ 2.  0.  0.  1.  0.  1.][18.  0.  0.  1.  0.  1.][45.  1.  0.  0.  0.  1.]]
预测的准确率： 0.8295964125560538

决策树效果图：

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：
- 决策树学习者可以创建不能很好地推广数据的过于复杂的树，这被称为过拟合。
- 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

集成学习方法-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。

什么是随机森林

定义：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。

例如, 如果你训练了5个树, 其中有4个树的结果是True, 1个数的结果是False, 那么最终结果会是True.

学习算法：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。

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

算法实例-泰坦尼克号乘客生存分类模型随机森林做法

from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.feature_extraction import DictVectorizer
from sklearn.ensemble import RandomForestClassifier
import pandas as pddef decision():"""决策树对泰坦尼克号进行预测生死:return: None"""# 获取数据titan = pd.read_csv("./data/titanic/train.csv")# 处理数据，找出特征值和目标值x = titan[['Pclass', 'Age', 'Sex']]y = titan['Survived']#print(x)# 缺失值处理x['Age'].fillna(x['Age'].mean(), inplace=True)# 分割数据集到训练集合测试集x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)# 进行处理（特征工程）特征-》类别-》one_hot编码dict = DictVectorizer(sparse=False)print(dict)x_train = dict.fit_transform(x_train.to_dict(orient="records"))print(dict.get_feature_names())x_test = dict.transform(x_test.to_dict(orient="records"))# 随机森林进行预测 （超参数调优）rf = RandomForestClassifier(n_jobs=-1)param = {"n_estimators": [120, 200, 300, 500, 800, 1200], "max_depth": [5, 8, 15, 25, 30]}# 网格搜索与交叉验证gc = GridSearchCV(rf, param_grid=param, cv=2)gc.fit(x_train, y_train)print("准确率：", gc.score(x_test, y_test))print("查看选择的参数模型：", gc.best_params_)return Noneif __name__ == "__main__":decision()

结果为

DictVectorizer(sparse=False)
['Age', 'Pclass=1st', 'Pclass=2nd', 'Pclass=3rd', 'Sex=female', 'Sex=male']
准确率： 0.8161434977578476
查看选择的参数模型： {'max_depth': 5, 'n_estimators': 120}

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

DictVectorizer(sparse=False)
['Age', 'Pclass=1st', 'Pclass=2nd', 'Pclass=3rd', 'Sex=female', 'Sex=male']
准确率： 0.8161434977578476
查看选择的参数模型： {'max_depth': 5, 'n_estimators': 120}

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