[[433731]]

決策樹算法理解

決策樹是直觀運用概率分析的樹形分類器，是很常用的分類方法，屬于監管學習，決策樹分類過程是從根節點開始，根據特征屬性值選擇輸出分支，直到到達葉子節點，將葉子節點存放的類別作為決策結果。

比如說買瓜的時候，根據瓜的某些特征屬性直觀判斷瓜的好壞，下圖依次根據紋理清晰度、根蒂、色澤、觸感4個進行分類，生活中我們會將某個最重要或最明顯的分類屬性放在第一位，然后是次重要屬性，這很符合我們平常的判斷思維，這就是決策樹!

在特征屬性非常大的時候，就出現了首選哪個特征屬性進行分類?如何剪枝?分類的層次是多少?....系列問題，這些就是決策樹構建的核心問題，而且不可能再通過生活直覺判，這時候就要運用數學思維。根據上面問題的不同解決方案，決策樹又分為了ID3(熵增益)、C4.5(熵增益率)、CART幾種同類算法。

熵增益(ID3)

通信層面，信息熵衡量信息的不確定性，信息熵越大表明信息越不準確，可以用信息熵的減少值來衡量信息的價值。在決策樹模型中把信息確定性叫做熵增益，有了熵增益后，我們就可以根據熵增益來判斷特征值的重要程度，從而選取最重要的特征作為第一次切分，再根據相同的方法用其他特征進行切分，直到得到得到每個劃分的葉子節點。信息熵的定義是：

以某個特征屬性值切分后子集熵的和稱為條件A下的熵，也叫做條件熵，可以如下表示：

分類前的信息熵減去條件熵，得到熵增益：

比如說有以下數據集(相親結果表lol..)

6條數據中相中(4個)與不想中(2個)，暫且不關系如何進行分類，我們首先計算這個分類結果的信息熵：

其次，我們計算“富”屬性的條件信息熵，6條數據中“富”與否各半，其中3個“富”都被分類到“相中”，3個“不富”都被分到“不想中”：

兩者之差就是我們想要得到的熵增益：

計算各個特征屬性的熵增益后，比較哪個熵增益最大，就選擇該屬性做第一分類特征。

熵增益率(C4.5)

按照熵增益最大準則的ID3算法，遇到全部都是非重復值(類似ID)屬性容易造成過擬合，因為如果根據ID這個屬性進行劃分發現此時的熵增益是最大的：

信息增益率定義為：

其中info就是該特征屬性中，屬性值的信息熵：

按照上面的例子計算，“富”的增益率為：

剪枝處理

當訓練數據量大、特征數量較多時構建的決策樹過于龐大時，可能對訓練集依賴過多，也就是對訓練數據過度擬合。從訓練數據集上看，擬合效果很好，但對于測試數據集或者新的實例來說，并不一定能夠準確預測出其結果。因此，對于決策樹的構建還需要最后一步--決策樹的修剪，主要分為2種：預剪枝(Pre-Pruning)和后剪枝(Post-Pruning)，這里先不講。

鳶尾花(iris)分類模型

Iris 鳶尾花數據集是一個經典數據集，在統計學習和機器學習領域都經常被用作示例。數據集內包含 3 類共 150 條記錄，每類各 50 個數據，每條記錄都有 4 項特征：花萼長度、花萼寬度、花瓣長度、花瓣寬度，可以通過這4個特征預測鳶尾花卉屬于(iris-setosa, iris-versicolour, iris-virginica)中的哪一品種，數據集地址：https://github.com/yezonggang/iris

import pandas as pd 
from pandas import DataFrame 
import numpy as np 
import matplotlib.pyplot as plt 
%matplotlib inline 
import seaborn as sns 
from sklearn.tree import DecisionTreeClassifier 
from sklearn import metrics  
  
baseUrl="C:\\Users\\71781\\Desktop\\2020\\ML-20200422\\iris\\" 
iris_df=pd.read_csv(baseUrl+"iris.csv") 
iris_df.head() 
iris_df.describe() 

數據分布探索：

# pandas 自帶的散點圖 
iris_df.plot(kind="scatter", x="Sepal.Length", y="Sepal.Width") 

# seaborn 的聯合分布圖 
sns.jointplot(x="Sepal.Length", y="Sepal.Width", data=iris_df, height=5) 

# 上面的兩個散點圖并不能顯示每一個點所屬的類別 
# 所以，接下來用 seaborn 的 FacetGrid 函數按照Species花的種類來在散點圖上標上不同的顏色，hue英文是色彩的意思。 
sns.FacetGrid(iris_df, hue="Species", height=5).map(plt.scatter, "Sepal.Length", "Sepal.Width").add_legend() 

# 通過箱線圖來查看單個特征的分布 
# 對 Numerical Variable，可以用 Box Plot 來直觀地查看不同花類型的分布。 
sns.boxplot(x="Species", y="Sepal.Length", data=iris_df) 

# 下面的操作，將每一個Species所屬的點加到對應的位置，加上散點圖， 
# 振動值jitter=True 使各個散點分開，要不然會是一條直線 
# 注意此處要將坐標圖用ax先保存起來，這樣第二次才會在原來的基礎上加上散點圖 
ax = sns.boxplot(x="Species", y="Sepal.Length", data=iris_df) 
ax = sns.stripplot(x="Species", y="Sepal.Length", data=iris_df, jitter=True, edgecolor="gray") 

# violinplot 小提琴圖，查看密度分布，結合了前面的兩個圖，并且進行了簡化 
# 數據越稠密越寬，越稀疏越窄 
sns.violinplot(x="Species", y="Sepal.Length", data=iris_df, height=6) 
 # sns.kdeplot == kernel density 核密度圖（單個變量） 
sns.FacetGrid(iris_df, hue="Species", height=6).map(sns.kdeplot, "Sepal.Length").add_legend() 
 # pairplot 任意兩個變量間的關系 
sns.pairplot(iris_df, hue="Species", height=3) 

# 模型構建比較簡單，關鍵是模型的調參 
train_df=test_df=iris_df.sample(frac=0.8,replace=False, random_state=None) 
train_X=train_df.drop(['Species'],axis=1) 
train_Y=train_df['Species'] 
# 由于么有提供建模數據集，所以我們隨機從樣本集中選擇40%的數據集 
# replace=False 無放回的抽取 
# random-state 數據不能重復 
test_df=iris_df.sample(frac=0.9,replace=False, random_state=None) 
test_df.head() 
  
test_X=test_df.drop(['Species'],axis=1) 
test_Y=test_df['Species'] 
  
model=DecisionTreeClassifier() 
model.fit(train_X, train_Y) 
prediction = model.predict(test_X) 
print('The accuracy of the Decision Tree is: {0}'.format(metrics.accuracy_score(prediction,test_Y))) 

分類決策樹總共有12個參數可以自己調整，這么多參數一個個記起來太麻煩，我們可以把這些參數分成幾個類別：

1)分類策略：有兩個參數 ‘entropy’(熵) 和 ‘gini’(基尼系數)可選，默認為gini。

2)max_depth(樹的最大深度)：默認為None，此時決策樹在建立子樹的時候不會限制子樹的深度。也可以設置具體的整數，一般來說，數據少或者特征少的時候可以不管這個值。如果模型樣本量多，特征也多的情況下，推薦限制這個最大深度，具體的取值取決于數據的分布。常用的可以取值10-100之間。

3)min_samples_split(分割內部節點所需的最小樣本數)：意思就是只要在某個結點里有k個以上的樣本，這個節點才需要繼續劃分，這個參數的默認值為2，也就是說只要有2個以上的樣本被劃分在一個節點，如果這兩個樣本還可以細分，這個節點就會繼續細分

4)min_samples_leaf(葉子節點上的最小樣本數)：當你劃分給某個葉子節點的樣本少于設定的個數時，這個葉子節點會被剪枝，這樣可以去除一些明顯異常的噪聲數據。默認為1，也就是說只有有兩個樣本類別不一樣，就會繼續劃分。如果是int，那么將min_samples_leaf視為最小數量。如果為float，則min_samples_leaf為分數，ceil(min _ samples _ leaf * n _ samples)為每個節點的最小樣本數。

本文轉載自微信公眾號「數據社」，可以通過以下二維碼關注。轉載本文請聯系數據社公眾號。