速通——决策树（泰坦尼克号乘客生存预测案例）_泰坦尼克号决策树分析

一、决策树

1、概述

        树中每个内部节点表示一个特征上的判断，每个分支代表一个判断结果的输出，每个叶子节点代表一种分类结果

2、建立过程

        1. 特征选择：选取有较强分类能力的特征。

        2. 决策树生成：根据选择的特征生成决策树。

        3. 决策树也易过拟合，采用剪枝的方法缓解过拟合

二、信息熵

1、概述：描述信息的 完整性 和 有序性

2、熵（Entropy）

        信息论中代表 随机变量 不确定度的度量；熵越大，数据的不确定性越高，信息就越多；熵越小，数据的不确定性越低

3、计算方法：

        P(xi) ：数据中类别出现的概率
​        H(x) ：信息的信息熵值

三、信息增益

1、概述

        由于特征A而使得对数据D的 分类不确定性 减少的程度，特征 a 对训练数据集D的 信息增益 g(D，a)，定义为集合D的熵 H(D) 与特征a给定条件下D的熵 H(D|a)之差（信息增益 = 熵 - 条件熵）

2、数学公式

3、条件熵

四、决策树分类

1、ID3 决策树

构建流程：

        1、计算每个特征的信息增益

        2、使用信息增益最大的特征将数据集 拆分为子集

        3、使用该特征（信息增益最大的特征）作为决策树的一个节点

        4、使用剩余特征对子集重复上述（1，2，3）过程

特点：倾向于选择取值较多的属性（不足），只能对离散属性的数据集构成决策树

2、C4.5 决策树

概述：信息增益率大的做为分裂特征，是在信息增益的基础上除以当前特征的固有值，可以衡量属性对分类的贡献

计算方法：        信息增益率 = 信息增益 / 特征熵

本质：相当于对信息增益进行修正，增加一个惩罚系数；特征取值个数较多时，惩罚系数较小；特征取值个数较少时，惩罚系数较大。

惩罚系数：数据集D 以 特征a 作为随机变量的熵的倒数

特点：1. 缓解了ID3分支过程中总喜欢偏向选择值较多的属性；

           2. 可处理连续数值型属性，也增加了对缺失值的处理方法；

           3. 只适合于能够驻留于内存的数据集，大数据集无能为力

3、CART决策树（Classification and Regression Tree）

概述：是一种决策树模型，既可以用于分类，也可以用于回归。Cart回归树 使用平方误差 最小化策略，Cart分类生成树 采用的基尼指数 最小化策略。

特点：1. 可以进行分类和回归，可处理离散属性，也可以处理连续属性

           2. 采用基尼指数，计算量减小

           3. 一定是二叉树

CART分类树

基尼值 Gini（D）：从数据集D中随机抽取两个样本，其类别标记不一致的概率。故，Gini（D）值越小，数据集D的纯度越高。

计算方法：Gini（D）= 1 - 特征分类1^2 - 特征分类2^2

基尼指数 Gini_index（D）：选择使划分后基尼系数最小的属性作为最优 化分属性。

Tips：特征的信息增益（ID3）、信息增益率值越大（C4.5），优先选择该特征。基尼指数值越小（cart），优先选择该特征。

API

导包：from sklearn.tree import DecisionTreeClassifier

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

# 导包
from sklearn.tree import DecisionTreeClassifier
 
class sklearn.tree.DecisionTreeClassifier (criterion = 'gini ', max_depth = None, random_state = None)

Criterion： 特征选择标准，"gini" 或 "entropy"，前者代表基尼系数，后者代表信息增益。默认"gini"，即CART算法

min_samples_split：内部节点再划分所需最小样本数，默认为 2
min_samples_leaf：叶子节点最少样本数，默认为 1
max_depth：决策树最大深度

CART回归树

        可以处理 非线性关系

平方损失：（值 - 均值）^2

构建过程

        1、选择一个特征，将该特征的值进行排序，取相邻点计算均值作为待划分点

        2、根据所有划分点，将数据集分成两部分：R1、R2

        3、R1 和 R2 两部分的平方损失相加作为该切分点平方损失

        4、取最小的平方损失的划分点，作为当前特征的划分点

        5、以此计算其他特征的最优划分点、以及该划分点对应的损失值

        6、在所有的特征的划分点中，选择出最小平方损失的划分点，作为当前树的分裂点

CART回归树 与 CART分类树 的不同

        1、CART 分类树预测输出的是一个离散值，CART 回归树预测输出的是一个连续值；

        2、CART 分类树使用基尼指数作为划分、构建树的依据，CART 回归树使用平方损失；

        3、分类树使用叶子节点多数类别作为预测类别，回归树则采用叶子节点里均值作为预测输出

五、决策树剪枝（正则化）

概述：是一种防止决策树过拟合的一种正则化方法，提高其泛化能力；即把子树的节点全部删掉，使用叶子节点来替换

剪枝方法：

        1、预剪枝：指在决策树生成过程中，对每个节点在划分前先进行估计，若当前节点的划分不能带来决策树泛化性能提升，则停止划分并将当前节点标记为叶节点

优点：预剪枝使决策树的很多分支没有展开，不单降低了过拟合风险，还显著减少了决策树的训练、测试时间开销；

缺点：有些分支的当前划分虽不能提升泛化性能，但后续划分却有可能导致性能的显著提高，预剪枝决策树也带来了欠拟合的风险。

        2、后剪枝：是先从训练集生成一棵完整的决策树，然后自底向上地对非叶节点进行考察，若将该节点对应的子树替换为叶节点能带来决策树泛化性能提升，则将该子树替换为叶节点。

优点：后剪枝决策树的欠拟合风险很小，泛化性能往往优于预剪枝

缺点：训练时间开销 比 未剪枝的决策树 和 预剪枝的决策树都要大得多

六、案例——泰坦尼克号乘客生存预测

数据情况：数据集中的特征包括票的类别，是否存活，乘坐班次，年龄，登陆，home.dest，房间和性别等，乘坐班次是（1，2，3），是社会经济阶层的代表，age数据存在缺失。

1、导包

import pandas as pd
# 数据划分
from sklearn.model_selection import train_test_split
# 决策树
from sklearn.tree import DecisionTreeClassifier
# 分类算法
from sklearn.metrics import classification_report
# 可视化
import matplotlib.pyplot as plt
from sklearn.tree import plot_tree

2、导入数据

titanic_df  = pd.read_csv('titanic/train.csv')
# Pclass 船舱等级  Sibsp 同行兄弟姐妹人数 Parch 同行的父母孩子的人数 
# Ticket 票号 
# Fare 花了多少钱
# Cabin 船舱编号
# Embarked 登船的港口名称
titanic_df

3、数据处理

# 总计空值数量
titanic_df.isnull().sum()
 
# 年龄进行缺失值填充
X['Age'].fillna(X['Age'].mean(),inplace = True)
 
# 性别编码
X = pd.get_dummies(X)

4、数据划分、训练、使用、评估模型

# 划分训练集、测试集
X_train, X_test, y_train, y_test = train_test_split(X,y,stratify=y,random_state=66)
# 设置决策树模型
estimator = DecisionTreeClassifier(max_depth=6)
# 训练模型
estimator.fit(X_train,y_train)
# 模型预测
y_pred = estimator.predict(X_test)
# 评估模型
print('训练集',estimator.score(X_train, y_train))
print('测试集',estimator.score(X_test, y_test))

 5、可视化

plt.figure(figsize=(30,20))
plot_tree(estimator,
          max_depth=6,    # max_depth 绘制的最大深度
          filled=True,    # filled = True 填充每个节点的背景颜色
          feature_names=X.columns,    # feature_names 特征名字 每个节点中显示的特征名字
          class_names=['died', 'survived'])    # class_names  目标值名字    每个节点中显示的目标值名字
plt.show()