决策树DTC数据分析及鸢尾数据集分析_决策树分析源数据

一. 分类及决策树介绍

1.分类

        分类其实是从特定的数据中挖掘模式，作出判断的过程。比如Gmail邮箱里有垃圾邮件分类器，一开始的时候可能什么都不过滤，在日常使用过程中，我人工对于每一封邮件点选“垃圾”或“不是垃圾”，过一段时间，Gmail就体现出一定的智能，能够自动过滤掉一些垃圾邮件了。
        这是因为在点选的过程中，其实是给每一条邮件打了一个“标签”，这个标签只有两个值，要么是“垃圾”，要么“不是垃圾”，Gmail就会不断研究哪些特点的邮件是垃圾，哪些特点的不是垃圾，形成一些判别的模式，这样当一封信的邮件到来，就可以自动把邮件分到“垃圾”和“不是垃圾”这两个我们人工设定的分类的其中一个。

        分类学习主要过程如下：
       （1）训练数据集存在一个类标记号，判断它是正向数据集（起积极作用，不垃圾邮件），还是负向数据集（起抑制作用，垃圾邮件）；
       （2）然后需要对数据集进行学习训练，并构建一个训练的模型；
       （3）通过该模型对预测数据集进预测，并计算其结果的性能。

2.决策树（decision tree）

        决策树是用于分类和预测的主要技术之一，决策树学习是以实例为基础的归纳学习算法，它着眼于从一组无次序、无规则的实例中推理出以决策树表示的分类规则。构造决策树的目的是找出属性和类别间的关系，用它来预测将来未知类别的记录的类别。它采用自顶向下的递归方式，在决策树的内部节点进行属性的比较，并根据不同属性值判断从该节点向下的分支，在决策树的叶节点得到结论。
        决策树算法根据数据的属性采用树状结构建立决策模型， 决策树模型常用来解决分类和回归问题。常见的算法包括：分类及回归树（Classification And Regression Tree， CART）， ID3 (Iterative Dichotomiser 3)， C4.5， Chi-squared Automatic Interaction Detection(CHAID), Decision Stump, 随机森林（Random Forest）， 多元自适应回归样条（MARS）以及梯度推进机（Gradient Boosting Machine， GBM）。
        决策数有两大优点：1）决策树模型可以读性好，具有描述性，有助于人工分析；2）效率高，决策树只需要一次构建，反复使用，每一次预测的最大计算次数不超过决策树的深度。

        示例1：
        下面举两个例子，参考下面文章，强烈推荐大家阅读，尤其是决策树原理。
        算法杂货铺——分类算法之决策树(Decision tree) - leoo2sk
        这个也是我上课讲述的例子，引用上面文章的。通俗来说，决策树分类的思想类似于找对象。现想象一个女孩的母亲要给这个女孩介绍男朋友，于是有了下面的对话：

      女儿：多大年纪了？
      母亲：26。
      女儿：长的帅不帅？
      母亲：挺帅的。
      女儿：收入高不？
      母亲：不算很高，中等情况。
      女儿：是公务员不？
      母亲：是，在税务局上班呢。
      女儿：那好，我去见见。

        这个女孩的决策过程就是典型的分类树决策。相当于通过年龄、长相、收入和是否公务员对将男人分为两个类别：见和不见。假设这个女孩对男人的要求是：30岁以下、长相中等以上并且是高收入者或中等以上收入的公务员，那么这个可以用下图表示女孩的决策逻辑。


        示例2：
        另一个课堂上的例子，参考CSDN的大神lsldd的文章，推荐大家阅读学习信息熵。
        用Python开始机器学习（2：决策树分类算法）
        假设要构建这么一个自动选好苹果的决策树，简单起见，我只让他学习下面这4个样本：
        样本中有2个属性，A0表示是否红苹果。A1表示是否大苹果。
        本例仅2个属性。那么很自然一共就只可能有2棵决策树，如下图所示：

        示例3：
        第三个例子，推荐这篇文章：决策树学习笔记整理 - bourneli

        决策树构建的基本步骤如下：
        1. 开始，所有记录看作一个节点；
        2. 遍历每个变量的每一种分割方式，找到最好的分割点；
        3. 分割成两个节点N1和N2；
        4. 对N1和N2分别继续执行2-3步，直到每个节点足够“纯”为止。

二. 鸢尾花卉Iris数据集

        在Sklearn机器学习包中，集成了各种各样的数据集，上节课讲述Kmeans使用的是一个NBA篮球运动员数据集，需要定义X多维矩阵或读取文件导入，而这节课使用的是鸢尾花卉Iris数据集，它是很常用的一个数据集。
        数据集来源：Iris plants data set - KEEL dataset
        该数据集一共包含4个特征变量，1个类别变量。共有150个样本，鸢尾有三个亚属，分别是山鸢尾 (Iris-setosa)，变色鸢尾(Iris-versicolor)和维吉尼亚鸢尾(Iris-virginica)。
        iris是鸢尾植物，这里存储了其萼片和花瓣的长宽，共4个属性，鸢尾植物分三类。

        iris里有两个属性iris.data，iris.target。
        data里是一个矩阵，每一列代表了萼片或花瓣的长宽，一共4列，每一列代表某个被测量的鸢尾植物，一共采样了150条记录。代码如下：

         输出如下所示：          target是一个数组，存储了data中每条记录属于哪一类鸢尾植物，所以数组的长度是150，数组元素的值因为共有3类鸢尾植物，所以不同值只有3个。种类：
         Iris Setosa（山鸢尾）
         Iris Versicolour（杂色鸢尾）
         Iris Virginica（维吉尼亚鸢尾）         输出结果如下：
        可以看到，类标共分为三类，前面50个类标位0，中间50个类标位1，后面为2。
        下面给详细介绍使用决策树进行对这个数据集进行测试的代码。

三. 决策树实现鸢尾数据集分析

1. DecisionTreeClassifier

 
        Sklearn机器学习包中，决策树实现类是DecisionTreeClassifier，能够执行数据集的多类分类。
        输入参数为两个数组X[n_samples,n_features]和y[n_samples],X为训练数据，y为训练数据的标记数据。
        DecisionTreeClassifier构造方法为：

        鸢尾花数据集使用决策树的代码如下：

        输出结果如下所示，可以看到分位三类，分别代表数据集三种鸢尾植物。

2.代码优化

        在课堂上我讲过，这里存在两个问题：
        1.前面鸢尾Iris数据集包括四个特征（萼片长度、萼片宽度、花瓣长度、花瓣宽度），上面代码中"L1 = [x[0] for x in X]"我获取了第一列和第二列数据集进行的绘图，而真是数据集中可能存在多维特征，那怎么实现呢？
        这里涉及到一个降维操作，后面会详细介绍。
        2.第二个问题是，分类学习模型如下所示，它的预测是通过一组新的数据集。

        而上面的代码"predicted = clf.predict(iris.data)"是对整个的数据集进行决策树分析，而真是的分类分析，需要把一部分数据集作为训练，一部分作为预测，这里使用70%的训练，30%的进行预测。代码如下：

        优化后的完整代码如下所示，同时输出准确率、召回率等。         输出结果如下：         绘制图形如下所示：

3.补充知识

        最后补充Skleaern官网上的一个决策树的例子，推荐大家学习。
        推荐地址：Plot the decision surface of a decision tree on the iris dataset
        代码如下：

        输出如下所示：

         绘制可视化决策树图部分，总是报错：
         AttributeError: 'NoneType' object has no attribute 'write'

        其中iris.dot数据如下所示：

        想生成如下图，希望后面能修改。也可以进入shell下输入命令：

        最后文章对你有所帮助，上课内容还需要继续探索，但enjoy myself~