一、決策樹原理概述

1.決策樹原理

決策樹的分類原理，相當(dāng)于程序中的if-then結(jié)構(gòu)，通過條件判斷，來決定結(jié)果。

2.信息論

①信息熵

假設(shè)有32支球隊(duì)，在不知道任何信息的情況下，以二分法去猜冠軍，最多猜log(2)32 = 5次。此時(shí)：每個(gè)球隊(duì)的奪冠概率為1/32，那么：

5 = -（1/32log1/32 + 1/32log1/32 + ......）共32項(xiàng)相加。

若事先可以得知一點(diǎn)點(diǎn)信息，則使用二分法猜冠軍的時(shí)候，次數(shù)一定比5次小，那么它的準(zhǔn)確信息量應(yīng)該是：

H = -(p1logp1 + p2logp2 + ... + p32logp32)

則H稱為信息熵，單位為比特bit。

根據(jù)以上內(nèi)容，可知，信息是和消除不確定性相聯(lián)系的。當(dāng)毫無信息的時(shí)候，信息熵最大，只要有了一定的信息，那么信息熵就會(huì)減小，不確定性也會(huì)減小。

②決策樹的分類依據(jù)

信息增益：當(dāng)?shù)弥粋€(gè)特征條件之后，減少的信息熵的大小。計(jì)算公式如下：

每一個(gè)特征所對應(yīng)的信息增益都可以通過上式計(jì)算出來，通過比較，信息增益最大的作為首要的分類標(biāo)準(zhǔn)。也就是說，每一個(gè)特征都可能對減小信息熵有作用，并且作用大小不一樣。作用越大，減少的信息熵越大，則該特征越重要，便可首先拿這個(gè)最重要的作為分類標(biāo)準(zhǔn)。

③其他決策樹使用的算法

其中，基尼系數(shù)對樣本的劃分更加仔細(xì)，甚至能對訓(xùn)練集分類達(dá)到100%，但通常這種情況下，會(huì)導(dǎo)致模型在測試集中的表現(xiàn)不好，因?yàn)樗鼮榱诉_(dá)到更高的擬合度，會(huì)過于針對訓(xùn)練集樣本，由此降低了普遍性。

④決策樹API

二、決策樹算法案例

1.案例概述

本案例中，使用泰坦尼克號(hào)上的乘客數(shù)據(jù)作為樣本，是否存活作為目標(biāo)值。樣本特征包含年齡、性別、目的地、船艙類型等等。我們在模型訓(xùn)練中，只使用了船艙類型（Pclass），性別（Sex），年齡（Age）這三個(gè)作為訓(xùn)練集樣本特征。

2.數(shù)據(jù)處理

假設(shè)已經(jīng)獲取到了數(shù)據(jù)集，并賦值給titan

找出特征值和目標(biāo)值：x = titan[['Pclass', 'Age', 'Sex']] y = titan['Survived']

缺失值處理：x['Age'].fillna(x['Age'].mean(), inplace=True)

分割數(shù)據(jù)集：x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)

3.特征工程

由于船艙類型和性別的數(shù)據(jù)都不是數(shù)字，因此需要用one-hot編碼來代替特征數(shù)據(jù)。通過字典數(shù)據(jù)處理，即可生成。因此，需要將訓(xùn)練集轉(zhuǎn)換為字典，通過DictVectorizer轉(zhuǎn)換即可。(注意：轉(zhuǎn)換的是整個(gè)訓(xùn)練集，而不是單獨(dú)轉(zhuǎn)換某幾列)

實(shí)例化轉(zhuǎn)換器：dict = DictVectorizer(sparse = False)

對訓(xùn)練集轉(zhuǎn)換：x_train = dict.fit_transform(x_train.to_dict,(orient='records'))

對測試集轉(zhuǎn)換：x_test = dict.transform(x_test.to_dict(orient='records'))

4.使用決策樹進(jìn)行預(yù)測

預(yù)測后可以使用graphviz查看圖像化的決策樹。需要先安裝，將導(dǎo)出的dot文件直接放在graphviz目錄下，在命令行，通過 dot -Tpng tree.dot -o tree.png命令即可導(dǎo)出png圖像。

dec = DecisionTreeClassifier()

訓(xùn)練算法：dec.fit(x_train,y_train)

打印準(zhǔn)確率：print(dec.score(x_test, y_test))

導(dǎo)出樹的結(jié)構(gòu)：tree.export_graphviz(dec, out_file='D:/Graphviz/tree.dot', feature_names= [","])

注意，最后一個(gè)feature_names，直接在特征工程中，調(diào)用dict.get_feature_names，即可輸出所需內(nèi)容。

5.決策樹優(yōu)缺點(diǎn)及改進(jìn)

優(yōu)點(diǎn)：

原理及解釋較為簡單，并且可以將樹木可視化

需要很少的數(shù)據(jù)準(zhǔn)備，其他技術(shù)通常需要數(shù)據(jù)歸一化

缺點(diǎn)：

決策樹學(xué)習(xí)者可以創(chuàng)建不能很好地推廣數(shù)據(jù)的過于復(fù)雜的樹，這被稱為過擬合。

決策樹可能不穩(wěn)定，因?yàn)閿?shù)據(jù)的小變化可能會(huì)導(dǎo)致完全不同的樹被生成

改進(jìn)：

減枝cart算法、隨機(jī)森林

三、隨機(jī)森林

1.集成學(xué)習(xí)方法

集成學(xué)習(xí)通過建立幾個(gè)模型組合的來解決單一預(yù)測問題。它的工作原理是生成多個(gè)分類器/模型，各自獨(dú)立地學(xué)習(xí)和作出預(yù)測。這些預(yù)測最后結(jié)合成單預(yù)測，因此優(yōu)于任何一個(gè)單分類的做出預(yù)測。

隨機(jī)森林就是一種繼承學(xué)習(xí)方法，定義：在機(jī)器學(xué)習(xí)中，隨機(jī)森林是一個(gè)包含多個(gè)決策樹的分類器，并且其輸出的類別是由個(gè)別樹輸出的類別的眾數(shù)而定。

2.單個(gè)樹建立過程

①隨機(jī)在N個(gè)樣本中，有放回地選擇一個(gè)樣本，重復(fù)N次，樣本可能重復(fù)

②隨機(jī)在M個(gè)特征中選出m個(gè)特征，m取值小于總特征M

假如建立了10棵決策樹，他們的樣本以及特征大多都是不一樣的。使用隨機(jī)有返回的抽樣（bootstrap抽樣）。

3.隨機(jī)森林API

隨機(jī)森林超參數(shù)：

n_estimator：決策樹數(shù)量

max_depth：每棵樹深度限制

4.隨機(jī)森林使用案例

還是用上面決策樹的案例，假設(shè)已經(jīng)準(zhǔn)備好了訓(xùn)練集x_train, y_train，測試集x_test, y_test

rf = RandomForestClassifier()

由于隨機(jī)森林有超參數(shù)n_estimator，max_depth，因此可以使用網(wǎng)格搜索交叉驗(yàn)證，對不同的參數(shù)組合進(jìn)行一一驗(yàn)證，尋找最好的參數(shù)組合模型。

設(shè)置超參數(shù)取值：param = {'n_estimator':[100,200,300,400,500], 'max_depth':[5,10,15,20]}

實(shí)例化算法：gc = GridSearchCV(rf, param_grid=param, cv=2) （假設(shè)使用二折驗(yàn)證）

訓(xùn)練算法：gc.fit(x_train, y_train)

輸出準(zhǔn)確率：gc.score(x_test, y_test)

查看所選擇的參數(shù)模型：gc.best_params_

5.隨機(jī)森林的優(yōu)點(diǎn)

①在當(dāng)前所有算法中，具有極好的準(zhǔn)確率

②能夠有效地運(yùn)行在大數(shù)據(jù)集上（樣本數(shù)、特征數(shù)）

③能夠處理具有高維特征的輸入樣本，而且不需要降維

④能夠評估各個(gè)特征在分類問題上的重要性

以上就是python機(jī)器學(xué)習(xí)基礎(chǔ)決策樹與隨機(jī)森林概率論的詳細(xì)內(nèi)容，更多關(guān)于python決策樹與隨機(jī)森林概率論的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論