Python / 机器学习

认识决策树

决策树思想的来源非常朴素，程序设计中的条件分支结构就是if-then结构，最早的决策树就是利用这类结构分割数据的一种分类学习方法。

决策树的优点以及改进

  • 优点：
    • 简单的理解和解释，树木可视化
    • 需要很少的数据准备，其他技术通常需要数据归一化
  • 缺点：
    • 决策树学习者可以创建不能很好的推广数据的过于复杂的树，这被称为过拟合。
  • 改进：
    • 剪枝cart算法（决策树API中已经实现，随机森林参数调优有相关介绍）
    • 随机森林

信息熵

信息增益

特征A对训练数据集D的信息增益g(D,A)，定义为集合D的信息熵H(D)与特征A给定条件下D的信息条件熵H(D|A)之差，公式为：

注：信息增益表示得知特征X的信息而使得类Y的信息的不确定性减少的程度。

问题示例：

设有一贷款者信息

信息熵大小： H(D)=-((9/15)log(9/15)+(6/15)log(6/15))=0.971

年龄的信息增益为：

g(D,年龄)=H(D)-H(D’|年龄) = 0.971 – [1/3H(青年)+1/3H(中年)+1/3H(老年)]

H(青年) = -(2/5log(2/5)+3/5log(3/5))

H(中年) = -(2/5log(2/5)+3/5log(3/5))

H(老年) = -(4/5log(4/5)+1/5log(1/5))

常见决策树使用的算法

  • ID3 信息增益 最大的准则
  • C4.5 信息增益比 最大的准则
  • CART 回归树：平方误差最小 分类树：基尼系数 最小的准则 在sklearn中可以选择划分的原则

sklearn决策树API

决策树的结构、本地保存

  1. sklearn.tree.export_graphviz() 该函数能够导出DOT格式
  2. 工具：（能够将dot文件转换为pdf、png）
    • 安装 graphviz ubuntu：sudo apt-get install graphviz
  3. 运行命令
    • dot-Tpng tree.dot -o tree.png

泰坦尼克号数据

我们提取的数据集中的特征是票的类别，存活，乘坐班，年龄，登陆，home.dest，房间，票，船和性别。 乘坐班是指乘客班（1，2，3），是社会经济阶层的代表。其中age数据存在缺失。

  • pd读取数据
  • 选择有影响的特征，处理缺失值
  • 进行特征工程，pd转换字典，特征抽取x_train.to_dict(orient=”records”)
  • 决策树估计器流程

集成学习方法-随机森林

集成学习方法

集成学习通过建立几个模型组合的来解决单一预测问题。它的工作原理是生成多个分类器/模型，各自独立地学习和作出预测。这些预测最后结合成单预测，因此优于任何一个单分类的做出预测。

随机森林

随机森林的优点

  • 在当前所有算法中，具有极好的准确率
  • 能够有效的运行在大数据集上
  • 能够处理具有高维特征的输入样本，而且不需要降维
  • 能够评估各个特征在分类问题上的重要性

定义：在机器学习中，随机森林是一个包含多个决策树的分类器，并且输出的类别是由个别树输出的类别的众数而定。

例如：如果你训练了5个数，其中有4个树的结果是True，1个数的结果是False，那么最终结果会是True。

学习算法

根据下列算法建造每棵树

  • 用N来表示训练用例（样本）的个数，M表示特征数目。
  • 一次随机选出一个样本，重复N次（有可能出现重复的样本）
  • 随机选出m个特征，m << M,建立决策树
  • 采取bootstrap抽样

为什么要随机抽样

如果不随机抽样，每棵树的训练集都一样，那么最终训练出的树分类结果也是完全一样的。

为什么要有放回的抽样

如果不是有放回的抽样，那么每棵树的训练样本都是不同的，都是没有交集的，这样每棵树都是“有偏的”，都是绝对“片面的”，也就是说每棵树训练出来都是有很大差异的；而随机森林最后分类取决于多棵树（弱分类器）的投票表决。

随机森林API

import pandas as pd
from sklearn.feature_extraction import DictVectorizer
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier,export_graphviz
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
def decision():
    '''
    决策树对泰坦尼克号预测生死
    :return: None
    '''
    # 获取数据
    titan = pd.read_csv('http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt')
    # 处理数据 找出特征值和目标值
    x = titan[['pclass','age','sex']]

    y = titan['survived']
    print(x)
    # 缺失值处理
    x['age'].fillna(x['age'].mean(),inplace=True)
    # 分割数据集到训练集测试集
    x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.25)
    # 进行处理 特征工程 特征->类别-> One_hot编码
    dict = DictVectorizer(sparse=False)
    x_train = dict.fit_transform(x_train.to_dict(orient='records'))
    print(dict.get_feature_names())
    x_test = dict.transform(x_test.to_dict(orient='records'))
    # print(x_test)
    # # 用决策树进行预测
    # dec = DecisionTreeClassifier(max_depth=8)
    # dec.fit(x_train,y_train)
    # # 预测准确率
    # print('预测的准确率为：',dec.score(x_test,y_test))
    # # 导出决策树的结构
    # export_graphviz(dec,out_file='./tree.dot',feature_names=['年龄', 'pclass=1st', 'pclass=2nd', 'pclass=3rd', 'sex=女性', 'sex=男性'])

    # 随机森林进行预测 （超参数调优）
    rf = RandomForestClassifier()
    param = {'n_estimators':[120,200,300],'max_depth':[5,8,15]}
    # 网格搜索与交叉验证
    gc = GridSearchCV(rf,param_grid=param,cv=2)
    gc.fit(x_train,y_train)
    print('预测准确率：',gc.score(x_test,y_test))
    print('查看选择的参数模型：',gc.best_params_)

    return None
if __name__ == '__main__':
    decision()
# 运行结果
     pclass      age     sex
0       1st  29.0000  female
1       1st   2.0000  female
2       1st  30.0000    male
3       1st  25.0000  female
4       1st   0.9167    male
5       1st  47.0000    male
...
['age', 'pclass=1st', 'pclass=2nd', 'pclass=3rd', 'sex=female', 'sex=male']
预测准确率： 0.8206686930091185
查看选择的参数模型： {'max_depth': 5, 'n_estimators': 200}

发表回复