机器学习学习笔记

• Sklearn入门
• 决策树（一）——分类树
• 决策树（二）——回归树

1 决策树是如何工作的

决策树是一种多功能机器学习算法， 即可以执行分类任务也可以执行回归任务，甚至包括多输出任务。

例如将动物们分为哺乳类和非哺乳类。那根据已经收集到的数据，决策树算法为我们算出了下面的这棵决策树：

可以看出，在这个决策过程中，我们一直在对记录的特征进行提问。

• 最初的问题所在的地方叫做根节点
• 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（动物的类别）都叫做叶子节点

2 决策树建模的基本流程

问题：

1. 如何从数据表中找出最佳节点和最佳分枝？
2. 如何让决策树停止生长，防止过拟合？

3 Sklearn中的决策树类型

sklearn.tree

sklearn中决策树的类都在“tree”模块之下，这个模块包括五个类：

from sklearn import tree 			#导入需要的模块

clf = tree.DecisionTreeClassifier()     #实例化
clf = clf.fit(X_train,y_train) 		 #用训练集数据训练模型
result = clf.score(X_test,y_test)    #导入测试集，从接口中调用所需要的信息

4 DicisionTreeClassifier 分类树

class 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)

4.1 重要参数

4.1.1 critertion

不纯度：衡量的指标，越低越好

这个参数是用来决定不纯度的计算方法的，有两种选择：

• 输入entropy，使用信息熵
• 输入gini，使用基尼系数

1. 比起基尼系数，信息熵对不纯度更加敏感，对不纯度的惩罚最强
2. 在实际使用中，信息熵和基尼系数的效果基本相同
3. 对于高维数据或者噪音很多的数据，信息熵很容易过拟合，基尼系数在这种情况下效果往往比较好
4. 当模型拟合程度不足的时候，即当模型在训练集和测试集上都表现不太好的时候，使用信息熵

决策树的基本流程简单概括：

直到没有更多的特征可用，或者整体的不纯度指标已经最优，决策树就会停止生长

例子：建立一棵树

from sklearn import tree
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_wine #红酒数据

wine = load_wine()

分训练集和测试集，测试集占所有数据量的30%

Xtrain, Xtest, Ytrain, Ytest = train_test_split(wine.data,wine.target,test_size=0.3)

建立模型，使用criterion="entropy"和criterion="gini"来进行比对

clf = tree.DecisionTreeClassifier(criterion="entropy")
clf = clf.fit(Xtrain, Ytrain)
score = clf.score(Xtest, Ytest) #返回预测的准确度
score

画一棵树

feature_name = ['酒精','苹果酸','灰','灰的碱性','镁','总酚','类黄酮','非黄烷类酚类','花青素','颜色强度','色调','od280/od315稀释葡萄酒','脯氨酸']

import graphviz

dot_data = tree.export_graphviz
(clf
,feature_names=feature_name
,class_names=['a','b','c']
,filled=True	    #填充颜色
,rounded=True	#外框是否是圆形
)
graph = graphviz,Source(dot_data)
graph

探索

#返回使用了哪些特征，返回重要性
clf.feature_importances_

#返回使用了哪些特征，返回重要性
[*zip(feature_name,clf.feature_importances_)]

4.1.2 控制随机性：random_state & splitter

1、random_state用来设置分枝中的随机模式的参数，默认为None，可以输入任意整数，会一直长出同一棵树，让模型稳定下来
设置了这个，score就不会改变了

2、splitter也可以用来控制决策树中的随机选项
有两种输入值：best和random

输入best会优先选择更重要的特征
random会更加随意

clf = tree.DecisionTreeClassifier
(criterion="entropy",random_state=30,splitter="random")

4.1.3 剪枝参数

有时会出现过拟合

#查看拟合程度
score_train = clf.score(Xtrain, Ytrain)
score_train

为了让决策树有更好的泛化性，我们要对决策树进行剪枝。

剪枝策略对决策树的影响巨大，正确的剪枝策略是优化决策树算法的核心。sklearn为我们提供了不同的剪枝策略：

max_depth

限制树的最大深度，超过的树枝全部剪掉
这是用的最广泛的剪枝参数，在高纬度低样本量时非常有效
建议从3开始尝试

min_samples_leaf & min_samples_split

min_samples_leaf限定，一个节点在分支后每个子节点必须包含至少min_samples_leaf个训练样本。

1. 一般与max_depth结合，建议从5开始尝试
2. 如果叶节点中含有的样本量变化很大，建议输入浮点数作为样本量的百分比来使用
3. 对于类别不多的分类问题，1通常就是最佳选择

min_samples_split限定，一个节点至少包含min_samples_split个训练样本，这个节点才能够被允许分枝

clf = tree.DecisionTreeClassifier(criterion="entropy"
,random_state=30
,splitter="random"
,max_depth=3
,min_samples_leaf=10
,min_samples_split=10)

max_features & min_impurity_decrease

一般max_depth使用，用于“精修”

max_features限制分枝时考虑的特征个数，超过限制个数的特征都会被舍弃。

和max_depth异曲同工，max_features是用来限制高维度数据的过拟合的剪枝参数，但其方法比较暴力，是直接限制可以使用的特征数量。而强行使决策树停下的参数，在不知道决策树中的各个特征的重要性的情况下，强行设定这个参数可能会导致模型学习不足。

如果希望通过降维的方式防止过拟合，建议使用PCA，ICA或者特征选择模块中的降维算法。

min_impurity_decrease限制信息增益的大小，信息增益小于设定数值的分枝不会发生。这是在0.19版本中更新的
功能，在0.19版本之前时使用min_impurity_split。

确认最优的剪枝参数——学习曲线

那具体怎么来确定每个参数填写什么值呢？这时候，我们就要使用确定超参数的曲线来进行判断了

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，它是用来衡量不同超参数取值下模型的表现的线。在我们建好的决策树里，我们的模型度量指标就是score。

import matplotlib.pyplot as plt
test = []
for i in range(10):
    clf = tree.DecisionTreeClassifier(max_depth=i+1
                                     ,criterion="entropy"
                                     ,random_state=30
                                     ,splitter="random"
                                     )
    clf = clf.fit(Xtrain, Ytrain)
    score = clf.score(Xtest, Ytest)
    test.append(score)
    
plt.plot(range(1,11),test,color="red",label="max_depth")
plt.legend()
plt.show()

4.1.4 目标权重参数

class_weight & min_weight_fraction_leaf

完成样本标签平衡的参数

样本不平衡：是指在一组数据集中，标签的一类天生占有很大的比例。比如说，在银行要判断“一个办了信用卡的人是否会违约”，就是是vs否（1%：99%）的比例。这种分类状况下，即便模型什么也不做，全把结果预测成“否”，正确率也能有99%。

因此我们要使用class_weight参数对样本标签进行一定的均衡，给少量的标签更多的权重，让模型更偏向少数类，向捕获少数类的方向建模。该参数默认None，此模式表示自动给与数据集中的所有标签相同的权重。

有了权重之后，样本量就不再是单纯地记录数目，而是受输入的权重影响了，因此这时候剪枝，就需要搭配min_weight_fraction_leaf这个基于权重的剪枝参数来使用。

另请注意，基于权重的剪枝参数（例如min_weight_fraction_leaf）将比不知道样本权重的标准（比如min_samples_leaf）更少偏向主导类。如果样本是加权的，则使用基于权重的预修剪标准来更容易优化树结构，这确保

4.2 重要属性和接口

属性

最重要的是feature_importances_，能够查看每个特征的重要性

接口

附录：所有参数

最后

以上就是无限绿茶为你收集整理的【机器学习】决策树的使用和代码示例（一）1 决策树是如何工作的2 决策树建模的基本流程3 Sklearn中的决策树类型4 DicisionTreeClassifier 分类树的全部内容，希望文章能够帮你解决【机器学习】决策树的使用和代码示例（一）1 决策树是如何工作的2 决策树建模的基本流程3 Sklearn中的决策树类型4 DicisionTreeClassifier 分类树所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。