决策树算法Python实现

• Python决策树实现
• • 一、sklearn实现决策树分类
  • • 1.1 导入sklean中的tree模块
    • 1.2 使用sklean的基本流程
    • 1.3 DecisionTreeClassifier()的参数解释
    • 1.4 剪枝操作
    • 1.5绘制决策树

Python决策树实现

一、sklearn实现决策树分类

1.1 导入sklean中的tree模块

from sklean import tree

1.2 使用sklean的基本流程

1. 实例化模型对象

clf = tree.DecisionTreeClassifier()

2. 通过模型接口训练模型

clf = clf.fit(X_train,y_train)

3. 通过测试集对模型评分（0-1）

Test_score = clf,score(X_test,y_test)

1.3 DecisionTreeClassifier()的参数解释

clf = tree.DecisionTreeClassifier(criterion='entropy/gini',random_state = None,splitter='best/random')

1. criterion

criterion这个参数正是用来决定不纯度的计算方法的。skleran提供了两种选择。
输入”entropy”，使用信息熵。
输入“gini”，使用基尼系数。
对于高维数据或者噪音很多的数据，信息熵很容易过拟合，基尼系数在这种情况下效果往往会更好。

2. random_state

random_state用来设置分支中的随机模式的参数，默认为None，在高维度时随机性会表示的更加明显。

3. splitter

splitter也是用来控制决策树中的随机选项的，有两种输入值。
输入“best”，决策树在分支时虽然随机，但是还是会优先选择更加重要的特征进行分支；
输入”random”,决策树会在分支时更加随机，树会因为含有更多的不必信息而更深更大，可能会导致过拟合问题。
当你预测到你的模型可能会过拟合，用这两个参数可以帮助你降低树建成之后过拟合的可能性。当然，树一旦建成，我们依然是使用剪枝参数来防止过拟合。

1.4 剪枝操作

1. max_depth(预剪枝)

限制树的最大深度，超过设定深度的树枝全部剪掉

2. min_samples_leaf

一个节点在分支后的每个子节点都必须包含至少min_samples_leaf个训练样本，否则分支就不会发生，或者，分支会朝着满足每个子节点都包含min_samples_leaf个样本的方向去发生。

3. min_samples_split

一个节点必须要包含至少min_samples_split个训练样本，这个节点才允许被分支，否则分支就不会发生。一般搭配max_depth使用，这个参数的数量设置的大小会引起过拟合，设置的太大会阻止模型学习数据。对于类别不多的分类问题，=1通常就是最佳选择。一般来说，建立从=5开始使用。如果叶节点中含有的样本量变化很大，建立输入浮点数作为样本量的百分比来使用。同时，这个参数可以保证每个叶子的最小尺寸，可以在回归问题中避免低方差，过拟合的叶子节点出现。

4. max_features

限制分枝时考虑的特征个数，超过限制个数的特征都会被舍弃，和max_depth相似

5. min_impurity_decreases

限制信息增益的大小，信息增益小于设定数值的分枝不会发生。

6. 确认最优的剪枝参数
   我们已经训练好的决策树模型，确定超参数的曲线来进行判断，超参数的学习曲线，是一条以超参数的取值为横坐标，模型的度量指标作为纵坐标的曲线，它是用来衡量不同超参数取值下模型的表现的线，我们的模型度量指标就是score。

from sklearn.tree import DecisionTreeClassifier
import matplotlib.pyplot as plt
# 训练样本
clf = clf.fit(X_trainer, Y_trainer)
result = clf.score(X_test,Y_test)
print("模型在测试集上进行评分：\n",result)
predict_y = clf.predict(X_test)
print("对测试集样本的预测结果：\n", predict_y)
predict_y1 = clf.predict_proba(X_test)
print("预测样本为某个标签的概率：\n", predict_y1)
# %%
test = []
for i in range(10):
    clf = DecisionTreeClassifier(max_depth=i+1
                                     ,criterion="entropy"
                                     ,random_state=30
                                     ,splitter="random"
                                     )
    clf = clf.fit(X_trainer, Y_trainer)
    score = clf.score(X_test, Y_test)
    test.append(score)
plt.plot(range(1,11),test,color="red",label="max_depth")
plt.legend()
plt.show()

score曲线可视化结果：

1.5绘制决策树

1. 环境配置

官网下载graphviz安装包进行本地安装；
链接: Graphviz官网
记住安装位置，比如C:\Program Files\Graphviz

配置环境变量：需要分别配置用户环境变量与系统环境变量
用户环境变量配置：找到PATH环境变量；新建输入C:\Program Files\Graphviz\bin（要与安装目录一致）；点击确定。
系统环境变量：找到PATH环境变量；新建C:\Program Files\Graphviz\bin\dot.exe（要与安装目录一致）;点击确定。

python环境配置：Win+R+cmd进入终端输入pip install graphviz即可安装

注意：环境配置结束后，可能需要重启编译软件生效

2. 导入模块

from sklearn.datasets import load_iris
from sklearn import model_selection
import graphviz
from sklearn import tree

3. 加载数据

# 加载鸢尾花数据集，X为数据集，y为标签
dataSet = load_iris()
X = dataSet.data
y = dataSet.target
# 特征名称
feature_names = dataSet.feature_names
# 类名
target_names = dataSet.target_names

4. 创建决策树模型

# 划分数据集
X_trainer, X_test, Y_trainer, Y_test = model_selection.train_test_split(X, y, test_size=0.3)
# 创建决策树对象
clf = tree.DecisionTreeClassifier(criterion = 'entropy')

# 训练样本
clf_tree = clf.fit(X_trainer, Y_trainer)
score = clf_tree.score(X_test,Y_test)
print("模型在测试集上进行评分：\n",score)

5. 模型预测

predict_y = clf.predict(X_test)
print("对测试集样本的预测结果：\n", predict_y)
predict_y1 = clf.predict_proba(X_test)
print("预测样本为某个标签的概率：\n", predict_y1)

6. 使用grapviz绘制决策树

clf_dot = tree.export_graphviz(clf_tree,
                                   out_file= None,
                                   feature_names= feature_names,
                                   class_names= target_names,
                                   filled= True,
                                   rounded= True)
graph = graphviz.Source(clf_dot,
                        filename="iris_decisionTree",
                        format="png")
graph.view()
print("\n特征重要程度为：")
info = [*zip(feature_names, clf.feature_importances_)]
for cell in info:
    print(cell)

7. Iris数据集决策树分类结果
   

模型在测试集上进行评分：
 0.8888888888888888

特征重要程度为：
('sepal length (cm)', 0.0)
('sepal width (cm)', 0.012044591855253375)
('petal length (cm)', 0.0)
('petal width (cm)', 0.9879554081447467)

8. 根据测试评分进行max_depth调整

clf = tree.DecisionTreeClassifier(criterion = 'entropy',max_depth=3)

调整结果为：

当前学习记录到此结束，后续根据学习继续扩展更新。