©2020-2024 ioDraw All rights reserved,
Privacy Policy
<>决策树
<>1 概述
<>1.1 决策树是如何工作的
<>1.2 分类树 DecisionTreeClassifier
<>1.3 回归树 DecisionTreeRegressor
<>1.4 案例练习
<>1. 用回归树拟合正弦函数曲线
#创建一个含有噪声的正弦曲线 rng = np.random.RandomState(1)#设置随机数种子 x = np.sort(5*rng.rand(80
,1),axis=0)#构造0~5之间的随机数并排序 y = np.sin(x).ravel()#生成正弦曲线值 y[::5]+=3*(0.5- rng.
rand(16))#添加噪声数据 #实例化训练模型 regr1 = DecisionTreeRegressor(max_depth=2) regr2 =
DecisionTreeRegressor(max_depth=5) regr1 = regr1.fit(x,y) regr2 = regr2.fit(x,y)
#测试集导入模型，预测结果 xtest = np.arange(0,5,0.01)[:,np.newaxis] y_1 = regr1.predict(
xtest) y_2 = regr2.predict(xtest) #作图 plt.figure() plt.scatter(x,y,s=20,
edgecolors='black',c='darkorange',label ='data') plt.plot(xtest,y_1,color=
'cornflowerblue',label='max_depth=2',linewidth=2) plt.plot(xtest,y_2,color=
'yellowgreen',label='max_depth=5',linewidth=2) plt.legend() plt.title(
"DecisionTreeRegressor") plt.show()
<>案例2 泰坦尼克号幸存者预测
1.导入所需要使用的包，获取数据源（kaggle上面下载）
import numpy as np import pandas as pd import matplotlib.pyplot as plt from
sklearn.tree import DecisionTreeClassifier from sklearn.model_selection import
train_test_splitfrom sklearn.model_selection import GridSearchCV from sklearn.
model_selectionimport cross_val_score data = pd.read_csv(r".\titanic\train.csv")
2.探索数据
data.info()
根据这些信息可知：
* name,sex,ticket,carbin,embarked皆为字符串类型数据，需要将其更改为数字代表的分类标签属性
* age字段有大约20%左右的空值，需要处理
* cabin有70%左右的空值，缺失值较多难以填补，可以直接将其舍去
* embarked字段有20个左右的空值需要处理
* 并不是所有的字段都会用到，例如：姓名、船票与预测结果基本无关可以去除
3.处理数据
#删除冗余字段 data_new = data.drop(["Name","Ticket","Cabin"],axis=1)
#axis=1,轴向=1即对列进行操作 #使用年龄字段的均值填补缺失值 data_new["Age"] = data_new["Age"].fillna(
data_new["Age"].mean()) #将embarked字段中含有缺失值的行删除 data_new.dropna(axis=0) data_new.
info()
至此，缺失值已经处理完毕
#将sex、embarked字段转换为字段属性，可有两种不同的方法 labels = data_new["Embarked"].unique().tolist
() data_new["Embarked"] = data_new["Embarked"].apply(lambda x:labels.index(x))
data_new["Sex"] = (data_new["Sex"]=="male").astype("int") #至此数据的基本处理已经结束
4.使用布尔索引将数据特征和结果分离，并划分测试集和训练集
x = data_new.iloc[:,data_new.columns!="Survived"] y = data_new.iloc[:,data_new.
columns=="Survived"] xtrain,xtest,ytrain,ytest = train_test_split(x,y,test_size=
0.3) for i in [xtrain,xtest,ytrain,ytest]: i.index = range(i.shape[0])
5.构建预测模型
clf = DecisionTreeClassifier(random_state=25) clf = clf.fit(xtrain,ytrain)
score= clf.score(xtest,ytest) score
在不改变任何参数的情况下，预测的得分为0.7469611848825333，结果是不够理性的，因此，使用交叉验证来进一步验证结果
clf = DecisionTreeClassifier(random_state=25) clf = clf.fit(xtrain,ytrain)
score_mean= cross_val_score(clf,x,y,cv=10).mean() score_mean
此时，score_mean的得分仅为0.7469611848825333，因此需要调整参数，首先想到的是使用max_depth参数，绘制超参数曲线，找到最为合适的取值
#交叉验证的结果比单个的结果更低，因此要来调整参数，首先想到的是max_depth,因此绘制超参数曲线 score_test=[] score_train=[
] for i in range(10): clf = DecisionTreeClassifier(random_state=25 ,max_depth=i+
1) clf = clf.fit(xtrain,ytrain) score_tr = clf.score(xtrain,ytrain) score_te =
cross_val_score(clf,x,y,cv=10).mean() score_train.append(score_tr) score_test.
append(score_te) print(max(score_test)) #绘制超参数图像 plt.plot(range(1,11),
score_train,color="red",label="train") plt.plot(range(1,11),score_test,color=
"blue",label="test") plt.legend() plt.xticks(range(1,11)) plt.show()
根据函数图像可以看到，当max_depth>3之后，训练集上的得分远远高于测试集上的得分，存在过拟合的现象，因此max_depth=3为较为合适的取值
#调整参数criterion，观察图像变化 score_test =[] score_train = [] for i in range(10): clf =
DecisionTreeClassifier(random_state=25 ,max_depth=i+1 ,criterion="entropy") clf
= clf.fit(xtrain,ytrain) score_tr = clf.score(xtrain,ytrain) score_te =
cross_val_score(clf,x,y,cv=10).mean() score_train.append(score_tr) score_test.
append(score_te) print(max(score_test)) #绘制图像 plt.plot(range(1,11),score_train,
color="red",label="train") plt.plot(range(1,11),score_test,color="blue",label=
"test") plt.xticks(range(1,11)) plt.legend() plt.show()
由图像观察可知，criterion="entropy"使得max_depth=3时两点更加接近，并且得分有所提高
6.使用网格搜索，找个各个参数合适的值
#parameters:本质是一串参数和这串参数对应的，我们希望网格搜索来搜索的参数的取值范围 parameters = { "splitter":(
"best","random") ,"min_samples_leaf":[*range(1,20,5)] ,"min_impurity_decrease":[
*np.linspace(0,0.5,20)] } clf = DecisionTreeClassifier(random_state=25 ,
max_depth=3 ,criterion="entropy") GS = GridSearchCV(clf,parameters,cv=10) GS =
GS.fit(xtrain,ytrain) GS.best_score_ GS.best_params_
此时最好的得分结果已经调整为0.824，该得分是目前使用分类树所取得最好的得分了，在后续学习中将会使用其他算法来尝试解决这个问题。