机器学习笔记（通俗易懂）---决策树算法介绍(6)---附完整代码
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了机器学习笔记（通俗易懂）---决策树算法介绍(6)---附完整代码，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含10137字，纯文字阅读大概需要15分钟。
内容图文
机器学习笔记—决策树算法介绍(6)—附完整代码
以下都是本人在学习机器学习过程中的一些心得和笔记，仅供参考。
文章目录
- 决策树是广泛用于分类和回归任务的模型。本质上，它从一层层的
if/else问题中进行学习，并且得出结论！
如果你要区分四种动物：熊、鹰、企鹅和海豚，可以转换成一颗决策树来表示。
mglearn.plots.plot_animal_tree()
?
-
在这张图中，树的每个节点代表一个问题或者一个包含答案的终结点（叶结点）。树的边将问题的答案与将问的下一个问题连接起来。
-
用机器学习的语言来说就是，为了区分四类动物（熊、鹰、企鹅和海豚），我们利用三个特征（“有没有羽毛”，“会不会飞”，“有没有鳍”）来构建一个模型。
1.构造决策树
我们在下面的二维分类数据集上构造决策树，这个two_moons数据集由2个半月组成，每个类别都包含50个数据点。
- 在机器学习中，用于分类的方法叫做测试。
- 数据通常不是像动物分类的例子那样具有二元特征（是/否）的形式，而是表示为连续特征。
- 用于连续数据的测试形式是：“特征
i的值是否大于a？”
mglearn.plots.plot_tree_progressive()
?
?
- 为了构造决策树，算法搜遍所有可能的测试，找出对目标变量来说信息量最大的那一个。
上图选出了第一个测试，将数据集在x[1]=0.0596处垂直划分可以得到最多信息，它在最大程度上将类别 0 中的点与类别 1 中的点进行区分。
右侧的决策树，通过测试 x[1] <=0.0596的真假来对数据集进行划分，在图中表示为一条黑线。
如果测试结果为真，那么将这个点分配给左结点，左结点里包含属于类别 0 的 2 个点和属于类别 1 的 32 个点。否则将这个点分配给右结点，右结点里包含属于类别 0 的 48 个点和属于类别 1 的 18 个点。
?
尽管第一次划分已经对两个类别做了很好的区分，但底部区域仍包含属于类别 0 的点，顶部区域也仍包含属于类别 1 的点。我们可以在两个区域中重复寻找最佳测试的过程，从而构建出更准确的模型。
上图展示了信息量最大的下一次划分，这次划分是基于 x[0]做出的，分为左右两个区域。
这一递归过程生成一棵二元决策树，其中每个结点都包含一个测试。或者你可以将每个测试看成沿着一条轴对当前数据进行划分。这是一种将算法看作分层划分的观点。由于每个测试仅关注一个特征，所以划分后的区域边界始终与坐标轴平行。
对数据反复进行递归划分，直到划分后的每个区域（决策树的每个叶结点）只包含单一目标值（单一类别或单一回归值）。如果树中某个叶结点所包含数据点的目标值都相同，那么这个叶结点就是纯的（pure）。这个数据集的最终划分结果见下图。
?
- 想要对新数据点进行预测，首先要查看这个点位于特征空间划分的哪个区域，然后将该区域的多数目标值（如果是纯的叶结点，就是单一目标值）作为预测结果。从根结点开始对树进行遍历就可以找到这一区域，每一步向左还是向右取决于是否满足相应的测试。
- 决策树也可以用于回归任务，使用的方法完全相同。预测的方法是，基于每个结点的测试对树进行遍历，最终找到新数据点所属的叶结点。这一数据点的输出即为此叶结点中所有训练点的平均目标值。
2.控制决策树的复杂度
为什么要控制决策树的复杂度，就是防止过拟合。
- 通常来说，构造决策树直到所有叶结点都是纯的叶结点，这会导致模型非常复杂，并且对训练数据高度过拟合。
- 纯叶结点的存在说明这棵树在训练集上的精度是 100%。训练集中的每个数据点都位于分类正确的叶结点中。
- 有的决策边界过于关注远离同类别其他点的单个异常点。
防止过拟合有两种常见的策略：
- 预剪枝（
pre-pruning），及早停止树的生长 - 后剪枝（
post-pruning）或剪枝（pruning），先构造树，但随后删除或折叠信息量很少的结点
预剪枝的限制条件可能包括限制树的最大深度、限制叶结点的最大数目，或者规定一个结点中数据点的最小数目来防止继续划分。
scikit-learn 的决策树在 DecisionTreeRegressor 类和 DecisionTreeClassifier类中实现。D但是scikit-learn 只实现了预剪枝，没有实现后剪枝。
下面我们在乳腺癌数据集上更详细地看一下预剪枝的效果。运行代码如下：
In：
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
#加载数据
cancer = load_breast_cancer()
#分离数据，stratify作用为以分层方式分割数据，保持测试集与整个数据集里cancer.target的数据分类比例一致
#随机数种子为42
X_train, X_test, y_train, y_test = train_test_split(
cancer.data, cancer.target, stratify=cancer.target, random_state=42)
#调用函数
tree = DecisionTreeClassifier(random_state=0)
#训练模型
tree.fit(X_train, y_train)
print("Accuracy on training set: {:.3f}".format(tree.score(X_train, y_train)))
print("Accuracy on test set: {:.3f}".format(tree.score(X_test, y_test)))
Out：
Accuracy on training set: 1.000
Accuracy on test set: 0.937
- 不出所料，训练集上的精度是 100%，这是因为叶结点都是纯的，树的深度很大，足以完美地记住训练数据的所有标签。
- 测试集精度比之前讲过的线性模型略低，线性模型的精度约为95%。
如果我们不限制决策树的深度，它的深度和复杂度都可以变得特别大。因此，未剪枝的树容易过拟合，对新数据的泛化性能不佳。
- 现在我们将预剪枝应用在决策树上，这样可以在完美拟合训练数据之前阻止树的展开。
这里我们设置max_depth=4，这意味着只可以连续问4个问题，限制树的深度可以减少过拟合，会降低训练集的精度，但可以提高测试集的精度：
In：
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
#加载数据
cancer = load_breast_cancer()
#分离数据，stratify作用为以分层方式分割数据，保持测试集与整个数据集里cancer.target的数据分类比例一致
#随机数种子为42
X_train, X_test, y_train, y_test = train_test_split(
cancer.data, cancer.target, stratify=cancer.target, random_state=42)
#调用函数
tree = DecisionTreeClassifier(max_depth=4, random_state=0)
tree.fit(X_train, y_train)
print("Accuracy on training set: {:.3f}".format(tree.score(X_train, y_train)))
print("Accuracy on test set: {:.3f}".format(tree.score(X_test, y_test)))
Out：
Accuracy on training set: 0.988
Accuracy on test set: 0.951
3.分析决策树
我们可以利用tree模块的export_graphviz函数来将树可视化。
这个函数会生成一个.dot格式的文件，这是一种用于保存图形的文本文件格式。
from sklearn.tree import export_graphviz
export_graphviz(tree, out_file="tree.dot", class_names=["malignant", "benign"],
feature_names=cancer.feature_names, impurity=False, filled=True)
我们可以利用graphviz模块读取这个文件并将其可视化：
import graphviz
with open("tree.dot") as f:
dot_graph = f.read()
display(graphviz.Source(dot_graph))
?
4.树的特征重要性
查看整个树可能非常费劲，除此之外，我还可以利用一些有用的属性来总结树的工作原理。
- 其中最常用的是特征重要性（feature importance），它为每个特征对树的决策的重要性进行排序。
- 对于每个特征来说，它都是一个介于0和1之间的数字，其中0表示“根本没有用到”，1表示“完美预测目标”。
- 特征重要性之和始终为1。
In：
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
cancer = load_breast_cancer()
#分离数据，stratify作用为以分层方式分割数据，保持测试集与整个数据集里cancer.target的数据分类比例一致
#随机数种子为42
X_train, X_test, y_train, y_test = train_test_split(
cancer.data, cancer.target, stratify=cancer.target, random_state=42)
#调用函数,max_depth参数代表深度
tree = DecisionTreeClassifier(max_depth=4,random_state=0)
#训练模型
tree.fit(X_train, y_train)
print("Feature importances:\n{}".format(tree.feature_importances_))
Out：
Feature importances:
[0. 0. 0. 0. 0. 0.
0. 0. 0. 0. 0.01019737 0.04839825
0. 0. 0.0024156 0. 0. 0.
0. 0. 0.72682851 0.0458159 0. 0.
0.0141577 0. 0.018188 0.1221132 0.01188548 0. ]
将特征重要性可视化：
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
import numpy as np
cancer = load_breast_cancer()
#分离数据，stratify作用为以分层方式分割数据，保持测试集与整个数据集里cancer.target的数据分类比例一致
#随机数种子为42
X_train, X_test, y_train, y_test = train_test_split(
cancer.data, cancer.target, stratify=cancer.target, random_state=42)
#调用函数,max_depth参数代表深度
tree = DecisionTreeClassifier(max_depth=4,random_state=0)
#训练模型
tree.fit(X_train, y_train)
def plot_feature_importance_cancer(model):
#.shape[1]表示矩阵的第二维的长度，在这里就是特征的长度
n_features = cancer.data.shape[1]
plt.barh(range(n_features), model.feature_importances_, align='center')
#前者代表y坐标轴的各个刻度，后者代表各个刻度位置的显示的lable
plt.yticks(np.arange(n_features), cancer.feature_names)
plt.xlabel("Feature importance")
plt.ylabel("Feature")
plt.show()
plot_feature_importance_cancer(tree)
?
- 从图中我们可以看到，顶部划分用到的特征
worst radius是最重要的特征。这也证实了我们在分析树时的观察结论，即第一层划分已经将两个类别区分得很好。 - 但是，如果某个特征的
feature_importance_很小，并不能说明这个特征没有提供任何信息。这只能说明该特征没有被树选中，可能是因为另一个特征也包含了同样的信息。
- 与线性模型的系数不同，特征重要性始终为正数，也不能说明该特征对应哪个类别。
- 特征重要性告诉我们
worst radius（最大半径）特征很重要，但并没有告诉我们半径大表示样本是良性还是恶性。事实上，在特征和类别之间可能没有这样简单的关系，可以在下面的图片中可以看出这一点。
?
?
虽然我们主要讨论的是用于分类的决策树，但对用于回归的决策树来说，所有内容都是类似的，在 DecisionTreeRegressor中实现。
回归树的用法和分析与分类树非常类似。但在将基于树的模型用于回归时，我们想要指出它的一个特殊性质。 DecisionTreeRegressor（以及其他所有基于树的回归模型）不能外推加粗样式（extrapolate），也不能在训练数据范围之外进行预测。
5.优缺点和参数
- 参数：控制决策树模型复杂度的参数是预剪枝参数，它在树完全展开之前停止树的构造。
- 通常来说，选择一种预剪枝策略（设置
max_depth、max_leaf_nodes或min_samples_leaf）足以防止过拟合。
- 优点：一是得到的模型很容易可视化，非专家也很容易理解（至少对于较小的树而言）；二是算法完全不受数据缩放的影响，不需要特征预处理。
- 缺点：即使做了预剪枝，它也经常会过拟合，泛化性能很差。因此，在大多数应用中，往往使用决策树集成代替单颗决策树。
5.优缺点和参数
- 参数：控制决策树模型复杂度的参数是预剪枝参数，它在树完全展开之前停止树的构造。
- 通常来说，选择一种预剪枝策略（设置
max_depth、max_leaf_nodes或min_samples_leaf）足以防止过拟合。
- 优点：一是得到的模型很容易可视化，非专家也很容易理解（至少对于较小的树而言）；二是算法完全不受数据缩放的影响，不需要特征预处理。
- 缺点：即使做了预剪枝，它也经常会过拟合，泛化性能很差。因此，在大多数应用中，往往使用决策树集成代替单颗决策树。
内容总结
以上是互联网集市为您收集整理的机器学习笔记（通俗易懂）---决策树算法介绍(6)---附完整代码全部内容，希望文章能够帮你解决机器学习笔记（通俗易懂）---决策树算法介绍(6)---附完整代码所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。