sklearn 决策树例子_机器学习|决策树的生成过程是怎样?(一)
本文笔者将用具体例子讲述决策树的构建过程,分析:决策树生成过程中有什么样的问题?
一、基本概念
决策树的定义:
首先,决策树是一种有监督的分类算法——即给定X,Y值,构建X,Y的映射关系。
不同于线性回归等是多项式,决策树是一种树形的结构,一般由根节点、父节点、子节点、叶子节点构成如图所示。
父节点和子节点是相对的,子节点可以由父节点分裂而来,而子节点还能作为新的父节点继续分裂;根节点是没有父节点,即初始分裂节点,叶子节点是没有子节点的节点,为终节点。
每一个分支代表着一个判断,每个叶子节点代表一种结果。
这是在已知各种情况的发生的概率的基础上,通过构建决策树来进行分析的一种方式。
预测方式:
- 根据输入的样本X的特征属性和决策树的取值,将输入的X样本分配到某一个叶子节点中。
- 将叶子节点中出现最多的Y值,作为输入的X样本的预测类别。
目的:
最优的模型应该是:叶子节点中只包含一个类别的数据。
但是,事实是不可能将数据分的那么的纯,因此,需要“贪心”策略,力争在每次分割时都比上一次好一些,分的更纯一些。
二、决策树构建过程
步骤一:将所有的特征看成一个一个的节点,eg(拥有房产、婚姻状态、年收入这些特征,我们可以看成一个一个的节点。)
步骤二:遍历当前特征的每一种分割方式,找到最好的分割点eg(婚姻状态这个特征,我们可以按照单身、已婚、离婚进行划分;也可以按照结过婚、没有结过婚进行划分);将数据划分为不同的子节点,eg: N1、 N2….Nm;计算划分之后所有子节点的“纯度”信息
步骤三:使用第二步遍历所有特征,选择出最优的特征,以及该特征的最优的划分方式,得出最终的子节点N1、 N2….Nm
步骤四:对子节点N1、N2….Nm分别继续执行2-3步,直到每个最终的子节点都足够“纯”。
从上述步骤可以看出,决策生成过程中有两个重要的问题:
- 对数据进行分割。
- 选择分裂特征。
- 什么时候停止分裂。
1. 对数据进行分割
根据属性值的类型进行划分:
如果值为离散型,且不生成二叉决策树,则此时一个属性就是可以一个分支,比如:上图数据显示,婚姻状态为一个属性,而下面有三个值,单身、已婚、离婚,则这三个值都可以作为一个分类。
如果值为离散型,且生成二叉决策树,可以按照 “属于此子集”和“不属于此子集”分成两个分支。还是像上面的婚姻状态,这可以按照已婚,和非婚,形成两个分支。
如果值为连续性,可以确定一个值作为分裂点,按照大于分割点,小于或等于分割点生成两个分支,如上图数据,我可以按照6千元的点划分成:大于6千元和小于6千元。
2. 找到最好的分裂特征
决策树算法是一种“贪心”算法策略——只考虑在当前数据特征情况下的最好分割方式。
在某种意义上的局部最优解,也就是说我只保证在当分裂的时候,能够保证数据最纯就好。
对于整体的数据集而言:按照所有的特征属性进行划分操作,对所有划分操作的结果集的“纯度”进行比较,选择“纯度”越高的特征属性作为当前需要分割的数据集进行分割操作。
决策树使用信息增益作为选择特征的依据,公式如下:
H(D)为:分割前的纯度。
H(D|A)为:在给定条件A下的纯度,两者之差为信息增益度。如果信息增益度越大,则H(D|A)越小,则代表结果集的数据越纯。
计算纯度的度量方式:Gini、信息熵、错误率。
一般情况下,选择信息熵和Gini系数,这三者的值越大,表示越“不纯”。
Gini:
信息熵:
错误率:
3. 什么时候停止分裂
一般情况有两种停止条件:
- 当每个子节点只有一种类型的时候停止构建。
- 当前节点中记录数小于某个阈值,同时迭代次数达到给定值时,停止构建过程。此时,使用 max(p(i))作为节点的对应类型。
方式一可能会使树的节点过多,导致过拟合(Overfiting)等问题。所以,比较常用的方式是使用方式二作为停止条件。
三、举例
数据集如下:
1. 对数据特征进行分割
- 拥有房产(是、否)
- 婚姻状态(单身、已婚、离婚)
- 年收入(80、97.5)
2. 通过信息增益找到分割特征
首先,计算按照拥有房产这个特征进行划分的信息增益,使用错误率进行纯度的计算:
计算原始数据的纯度:
计算按拥有房产划分后的结果集数据纯度H(D|A):
H(D| X=有房产) 的计算方式:
H(D| X=无房产) 的计算方式:
计算信息增益度Gain(房产):
同理,可以计算:婚姻状态 年收入=97.5
Gain(婚姻) = 0.205
Gain(婚姻) =0.395
按照Gain越大,分割后的纯度越高,因此第一个分割属性为收入,并按照97.5进行划分。
左子树的结果集够纯,因此不需要继续划分。
接下来,对右子树年收入大于97.5的数据,继续选择特征进行划分,且不再考虑收入这个特征,方法如上,可以得到如图:
四、常见算法
ID3:
优点:决策树构建速度快;实现简单
缺点:
- 计算依赖于特征数目较多的特征,而属性值最多的属性并不一定最优 。
- ID3算法不是递增算法,ID3算法是单变量决策树,对于特征属性之间的关系不会考虑。
- 抗噪性差。
- 只适合小规模数据集,需要将数据放到内存中。
C4.5:
在ID3算法的基础上,进行算法优化提出的一种算法(C4.5),使用信息增益率来取代ID3中的信息增益。
CART(Classification And Regression Tree):
五、总结
- ID3和5算法均只适合在小规模数据集上使用。
- ID3和5算法都是单变量决策树当属性值取值比较多的时候,最好考虑C4.5算法,ID3得出的效果会比较差 决策树分类一般情况只适合小数据量的情况(数据可以放内存) CART算法是三种算法中最常用的一种决策树构建算法(sklearn中仅支持CART)。
- 三种算法的区别仅仅只是对于当前树的评价标准不同而已,ID3使用信息增益、 5使用信息增益率、CART使用基尼系数。
- CART算法构建的一定是二叉树,ID3和5构建的不一定是二叉树。
本文由 @SincerityY 原创发布于人人都是产品经理。未经许可,禁止转载
题图来自Unsplash,基于CC0协议
sklearn 决策树例子_机器学习|决策树的生成过程是怎样?(一)相关推荐
- boost原理与sklearn源码_机器学习sklearn系列之决策树
一. Sklearn库 Scikit learn 也简称 sklearn, 自2007年发布以来,scikit-learn已经成为Python重要的机器学习库了.支持包括分类.回归.降维和聚类四大机器 ...
- python决策树剪枝_机器学习基础:可视化方式理解决策树剪枝
看了一些市面上的经典教材,感觉决策树剪枝这一部分讲的都特别晦涩,很不好理解.本文以理论白话+具体案例的形式来讲清楚这个重要知识点,打好决策树这个基础,有助于理解之后我们要讲解的随机森林.gbdt.xg ...
- 决策树分析例题经典案例_机器学习决策树2个经典案例
[实例简介] 机器学习决策树 [实例截图] [核心代码] import operator from math import log import matplotlib.pyplot as plt de ...
- sklearn 决策树例子_决策树--规则挖掘应用
本次主要简单介绍下决策树在风控规则中的简单应用,让读者快速入门.在后续的文章中,会逐一介绍决策树的各种算法原理,如信息增益.ID3算法.C4.5算法.C5.0算法等, 希望感兴趣的朋友可以关注下. 前 ...
- sklearn 决策树例子_决策树DecisionTree(附代码实现)
开局一张图(网图,随便找的). 对这种类型的图很熟悉的小伙伴应该马上就看出来了,这是一颗决策树,没错今天我们的主题就是理解和实现决策树. 决策树和我们以前学过的算法稍微有点不一样,它是个树形结构.决策 ...
- sklearn 决策树例子_使用 sklearn 构建决策树并使用 Graphviz 绘制树结构
决策树最大的优点是我们可以查看最终的树结构,上一篇日志中,我们通过 matplotlib 展示了我们自己的树结构 但是 matplotlib 绘制树结构较为复杂,我们这里来了解一个更为易用的绘图工具 ...
- python决策树实例_机器学习中的决策树及python实例
一棵树在现实生活中有许多枝叶,事实上树的概念在机器学习也有广泛应用,涵盖了分类和回归.在决策分析中,决策树可用于直观地决策和作出决策.决策树,顾名思义,一个树状的决策模型.尽管数据挖掘与机器学习中常常 ...
- python决策树怎么选择_机器学习|决策树分类与python实现
目录: 1.决策树简介 2.决策树生成 a) 选择标准--熵 b) 信息增益--ID3算法 c) 信息增益率--C4.5算法 d) Gini系数--CART算法 e) 评价标准--评价函数 3.剪枝操 ...
- python决策树的应用_机器学习-决策树实战应用
1.下载 2.安装:双击 3.创建桌面快捷方式 安装目录\bin文件夹\:找到gvedit.exe文件右键 发送到桌面快捷方式,如下图: 4.配置环境变量 将graphviz安装目录下的bin文件夹添 ...
最新文章
- 阿里巴巴持续投入,etcd 正式加入 CNCF
- 视频分割--Learning to Segment Instances in Videos with Spatial Propagation Network
- printf格式化字符串用法
- 指针数据类型 java_C/C++ 指针的小结——指针与其它数据类型(数组、字符串、函数、结构体)的关系...
- h264 I帧的判断
- mysql 线性表_线性表之顺序存储,基本操作
- java 知乎面试题_2019最新Java面试题,常见面试题及答案汇总(208道)
- 最大堆和最小堆和平衡二叉树_最小堆二叉树
- python求解LeetCode习题Sort Colors
- ZStack 3.6.0发布:支持云主机从KVM云平台在线迁移至ZStack
- java mybatis cms_java cms系统 springmvc mybatis
- wex5bex5 ---- (一)
- 这6款windows办公利器,一定有一款你喜欢的!
- 单片机程序编写常使用的程序架构
- 意外找回CSDN老账号,记录记录新账号备忘
- 数据库中的基本数据结构
- python设置excel单元格数据类型为文本_Python xlwt设置excel单元格字体及格式
- 盒子综合案例——德云社十八愁与宠物知识栏
- 图像处理:均值滤波算法
- DAO跨事物调用---转账
热门文章
- Chrome 浏览器扩展 - Night Eye
- 手动创建Github pull request
- SAP UI5和Angularjs事件处理机制的实现比较
- SAP Fiori应用里出现http request错误的原因分析
- 关于SAP CRM中间件系统搭建中遇到的一些问题
- how does tomcat access js - SAPUI5 Core Libraries
- run sequence between odata request and controller init
- Appointment在SPRO里的date profile配置
- CSDN写博客提交后的网络交互
- 一分钟开发一个hello world级别的wordpress插件