美赛python学习d11——决策树，随机森林_随机森林 美赛

Decision Trees

决策树是一种非参数的有监督学习方法，他能从一系列有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现这些规则，解决分类和回归问题
在决策过程中，我们一直在为决策的特征进行提问，最初的问题所在的地方叫做根节点，在得到结论前的每一个问题都是中间节点，得到的每一个结论叫做叶子节点

比如我们要将一个新物种进行分类，那么就可以通过以上这个决策树进行不断对动物的特性提问最后给动物分类

Classification Trees

参数criterion

参数random_state

设置分支中随机模式的参数

剪枝参数

不加限制的决策树往往会出现过拟合，在训练集上表现很好，在测试集上表现一般，为了决策树有更好的泛化性，我们要对决策树进行剪枝，有以下的剪枝策略

• max_depth:限定树的最大深度，超过限制深度的树枝全部剪掉，一般从3开始尝试
• min_samples_leaf和min_samples_split:一个节点在分支后的每个子节点都必须包含min_samples_leaf个训练样本，一般从5开始尝试；min_samples_split规定，一个节点必须包含min_samples_split个样本，才允许被分支
• max_features:限制分支时的特征个数，超过特征个数的分支都会被舍弃，一般不推荐使用
• min_inpurity_decrease:限制信息增益的大小，信息增益小于特定数值的分不会发生
• class_weight:完成样本标签平衡的参数，给少量的标签更多的权重，默认给数据集中所有的标签相同的权重
• min_weight_fraction_leaf:如果样本是加权的（用了class_weight），则需要搭配这个基于权重的剪枝参数进行剪枝，他会比min_samples_leaf更少偏向主导类

重要属性和接口

属性是在训练模型之后，能够调用查看模型的各种性质
sklearn中许多算法的接口都是相似的，比如之前已经用到的fit和score，决策树最常用的接口还有apply和predict

• apply：返回每个测试样本所在叶子节点的索引
• predict:返回每个测试样本的分类/回归结果
• feature_importance:查看各个特征对模型的重要性

如何确定最优参数？

使用确定的超参数曲线判断
超参数的学习曲线：是一条以超参数的取值为横坐标，模型的度量指标为纵坐标的曲线

Regression Trees

交叉验证

交叉验证是观察模型稳定性的方法，将数据划分成n分，依次使用其中的一份作为测试集，其他n-1份划分为训练集，多级计算模型的精确程度来评估模型的平均准确度
几种常用的决策树

1. ID3：由增熵原理决定
2. C4.5：ID3用训练集的数据进行细小分割，这对新的数据没有意义，还会造成过拟合(overfitting)的问题，C4.5中增加了信息增益率，降低了过拟合的概率
3. CART:用GINI指数决定如何分裂，但也存在过拟合的问题

实例

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

dataset = pd.read_csv("Social_Network_Ads.csv")

x = dataset.iloc[:, [2,3]].values

y = dataset.iloc[:, 4].values

from sklearn.model_selection import train_test_split

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=0)

from sklearn.preprocessing import StandardScaler

sc_x = StandardScaler()

x_train = sc_x.fit_transform(x_train)
x_test = sc_x.transform(x_test)
#利用决策树进行分类
from sklearn.tree import DecisionTreeClassifier
classifier=DecisionTreeClassifier(criterion="entropy",random_state=0)
classifier.fit(x_train,y_train)
y_pred=classifier.predict(x_test)
#利用混淆矩阵评估分类的性能
from sklearn.metrics import confusion_matrix
cn=confusion_matrix(y_test, y_pred)
#可视化分类结果(测试集)
from matplotlib.colors import ListedColormap
X_set, y_set = x_test, y_test
X1, X2 = np.meshgrid(np.arange(start = X_set[:, 0].min() - 1, stop = X_set[:, 0].max() + 1, step = 0.01),
                     np.arange(start = X_set[:, 1].min() - 1, stop = X_set[:, 1].max() + 1, step = 0.01))
plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),
             alpha = 0.75, cmap = ListedColormap(('red', 'green')))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())
for i, j in enumerate(np.unique(y_set)):
    plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],
                c = ListedColormap(('yellow', 'blue'))(i), label = j)
plt.title('Classifier (Test set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45

Random Forest

原理

采用多个分类器进行预测，再将分类结果进行汇总决出最终的结果，又叫做集成学习(Ensemble Learning)，可以减少预测结果的浮动率

算法步骤

通俗来讲就是不断重复从训练集里挑k个数据建立决策树，最后建立多棵决策，对于一个新数据，所有决策树都进行决策，最后综合得出结果

实例

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

dataset = pd.read_csv("Social_Network_Ads.csv")

x = dataset.iloc[:, [2,3]].values

y = dataset.iloc[:, 4].values

from sklearn.model_selection import train_test_split

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=0)

from sklearn.preprocessing import StandardScaler

sc_x = StandardScaler()

x_train = sc_x.fit_transform(x_train)
x_test = sc_x.transform(x_test)
#利用决策树进行分类
from sklearn.ensemble import RandomForestClassifier
#n_estimators代表决策树数量
classifier=RandomForestClassifier(n_estimators=10,criterion="entropy",random_state=0)
classifier.fit(x_train,y_train)
y_pred=classifier.predict(x_test)
#利用混淆矩阵评估分类的性能
from sklearn.metrics import confusion_matrix
cn=confusion_matrix(y_test, y_pred)
#可视化分类结果(测试集)
from matplotlib.colors import ListedColormap
X_set, y_set = x_test, y_test
X1, X2 = np.meshgrid(np.arange(start = X_set[:, 0].min() - 1, stop = X_set[:, 0].max() + 1, step = 0.01),
                     np.arange(start = X_set[:, 1].min() - 1, stop = X_set[:, 1].max() + 1, step = 0.01))
plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),
             alpha = 0.75, cmap = ListedColormap(('red', 'green')))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())
for i, j in enumerate(np.unique(y_set)):
    plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],
                c = ListedColormap(('yellow', 'blue'))(i), label = j)
plt.title('Classifier (Test set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47