ML(7)-决策树基础+sklearn.DecisionTreeClassifier简单实践_sklearn decisiontreeclassifier

1.决策树算法基础

决策树模型可以用来做 回归/分类 任务。

每次选择一个属性/特征，依据特征的阈值，将特征空间划分为 与 坐标轴平行的一些决策区域。如果是分类问题，每个决策区域的类别为该该区域中多数样本的类别；如果为回归问题，每个决策区域的回归值为该区域中所有样本值的均值。

决策树复杂程度 依赖于 特征空间的几何形状。根节点->叶子节点的一条路径产生一条决策规则。

决策树最大优点：可解释性强
决策树最大缺点：不是分类正确率最高的模型

决策树的学习是一个NP-Complete问题，所以实际中使用启发性的规则来构建决策树。
step1：选最好的特征来划分数据集
step2：对上一步划分的子集重复步骤1，直至停止条件（节点纯度/分裂增益/树深度）

不同的特征衡量标准，产生了不同的决策树生成算法：

k个类别，类别分布的gini 指数如下，gini指数越大，样本的不确定性越大：
$$Gini(D)=\sum _{k=1}^K{p}_k(1-p_k)=1-\sum _{k=1}^K{p}_k^2$$

CART – Classification and Regression Trees 的缩写1984年提出的一个特征选择算法，对特征进行是/否判断，生成一棵二叉树。且每次选择完特征后不对特征进行剔除操作，所有同一条决策规则上可能出现重复特征的情况。

2.sklearn.DecisionTreeClassifier简单实践

Scikit-learn(sklearn)是机器学习中常用的第三方模块,其建立在NumPy、Scipy、MatPlotLib之上,包括了回归，降维，分类，聚类方法。

sklearn 通过以下两个类实现了 决策分类树 和 决策回归树

sklearn 实现了ID3和Cart 算法，criterion默认为"gini"系数，对应为CART算法。还可设置为"entropy",对应为ID3。(计算机最擅长做的事：规则重复计算，sklearn通过对每个特征的每个切分点计算信息增益/gini增益，得到当前数据集合最优的特征及最优划分点)

2.1 决策树类

sklearn.tree.DecisionTreeClassifier(criterion=’gini’*,splitter=’best’, max_depth=None, 
min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0,
max_features=None, random_state=None, max_leaf_nodes=None, 
min_impurity_decrease=0.0, min_impurity_split=None, class_weight=None, presort=False)
1
2
3
4

DecisionTreeRegressor(criterion=’mse’, splitter=’best’, 
max_depth=None, min_samples_split=2, min_samples_leaf=1, 
min_weight_fraction_leaf=0.0, max_features=None, random_state=None, 
max_leaf_nodes=None, min_impurity_decrease=0.0, 
min_impurity_split=None, presort=False)
1
2
3
4
5

2.3 决策树构建

采用sklearn内置数据集鸢尾花数据集做实验。

导入第三方库

from sklearn import tree
from sklearn.tree import DecisionTreeClassifier 
from sklearn.datasets import load_iris
import graphviz
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, precision_score, recall_score
import joblib
plt.switch_backend('agg')
1
2
3
4
5
6
7
8
9

2.3.1全数据集拟合，决策树可视化

def demo1():
    # 全数据集拟合，决策树可视化
    iris = load_iris()
    x, y = load_iris(return_X_y = True)                     # x[list]-feature,y[]-label 
    clf = tree.DecisionTreeClassifier()                     # 实例化了一个类,可以指定类参数，定制决策树模型
    clf = clf.fit(x,y)                                      # 训练模型
    print("feature name ", iris.feature_names)              # 特征列表, 自己的数据可视化时，构建一个特征列表即可
    print("label name ",iris.target_names)                  # 类别列表
    dot_data = tree.export_graphviz(clf, out_file = None, feature_names = iris.feature_names, class_names = iris.target_names )    
    graph = graphviz.Source(dot_data)                        # 能绘制树节点的一个接口
    graph.render("iris")                                     # 存成pdf图
1
2
3
4
5
6
7
8
9
10
11

value中的值显示的是各个类别样本的数量（二分类就是[负样本数，正样本数]）

2.3.2交叉验证实验

def demo2():
    # n-折实验
    iris = load_iris()
    iris_feature = iris.data                                # 与demo1中的x,y是同样的数据
    iris_target = iris.target
                                                            # 数据集合划分参数：
    train_x, test_x, train_y, test_y = train_test_split(iris_feature,iris_target,test_size = 0.2, random_state = 1)
    dt_model = DecisionTreeClassifier()
    dt_model.fit(train_x, train_y)                          # 模型训练
    predict_y = dt_model.predict(test_x)                    # 模型预测输出
    # score = dt_model.score(test_x,test_y)                 # 模型测试性能： 输入：feature_test,target_test , 输出acc
    # print(score)                                          # 性能指标
    print("label: \n{0}".format(test_y[:5]))                # 输出前5个label
    print("predict: \n{0}".format(predict_y[:5]))           # 输出前5个label
    
    # sklearn 内置acc, recall, precision统计接口
    print("test acc: %.3f"%(accuracy_score(test_y, predict_y)))
    # print("test recall: %.3f"%(recall_score(test_y, predict_y)))  # 多类别统计召回率需要指定平均方式
    # print("test precision: %.3f"%(precision_score(test_y, predict_y))) # 多类别统计准确率需要指定平均方式
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

2.3.3超参数搜索

def model_search(feas,labels):
    # 模型参数选择,全数据5折交叉验证，出结果
    min_impurity_de_entropy = np.linspace(0, 0.01, 10)      # 纯度增益下界，划分后降低量少于这个值，将不进行分裂
    min_impurity_split_entropy = np.linspace(0, 0.4, 10)    # 当前节点纯度小于这个值将不分裂，较高版本中已经取消这个参数
    max_depth_entropy = np.arange(1,11)                     # 决策树的深度
    # param_grid = {"criterion" : ["entropy"], "min_impurity_decrease" : min_impurity_de_entropy,"max_depth" : max_depth_entropy,"min_impurity_split" :  min_impurity_split_entropy }
    param_grid = {"criterion" : ["entropy"], "max_depth" : max_depth_entropy, "min_impurity_split" :  min_impurity_split_entropy }
    clf = GridSearchCV(DecisionTreeClassifier(), param_grid, cv = 5)  # 遍历以上超参， 通过多次五折交叉验证得出最优的参数选择
    clf.fit(feas, label)                                    
    print("best param:", clf.best_params_)                  # 输出最优参数选择
    print("best score:", clf.best_score_)

1
2
3
4
5
6
7
8
9
10
11
12

2.3.4模型保存与导入

模型保存

joblib.dump(clf,“./dtc_model.pkl”)

模型导入

model_path = “./dtc_model.pkl”
clf = joblib.load(model_path)

2.3.5固定随机数种子

1.五折交叉验证,数据集划分随机数设置 random_state

train_test_split(feas, labels, test_size = 0.2, random_state = 1 )

2.模型随机数设置 andom_state

DecisionTreeClassifier(random_state = 1)

参考资料

1.官网类接口说明：
https://scikit-learn.org/dev/modules/generated/sklearn.tree.DecisionTreeClassifier.html#sklearn.tree.DecisionTreeClassifier

可视化接口说明https://scikit-learn.org/stable/modules/generated/sklearn.tree.export_graphviz.html

2.决策树超参数调参技巧：https://www.jianshu.com/p/230be18b08c2

3.Sklearn.metrics 简介及应用示例：https://blog.csdn.net/Yqq19950707/article/details/90169913

4.sklearn的train_test_split()各函数参数含义解释（非常全）：https://www.cnblogs.com/Yanjy-OnlyOne/p/11288098.html

5.sklearn.tree.DecisionTreeClassifier 详细说明：https://www.jianshu.com/p/8f3f1e706f11

6.使用scikit-learn中的metrics以及DecisionTreeClassifier重做《机器学习实战》中的隐形眼镜分类问题：http://keyblog.cn/article-235.html

7.决策树算法：https://www.cnblogs.com/yanqiang/p/11600569.html