决策树算法 - 实战篇
本节来介绍如何用决策树解决实际问题。
决策树是常用的机器学习算法之一,决策树模型的决策过程非常类似人类做判断的过程,比较好理解。
决策树可用于很多场景,比如金融风险评估,房屋价格评估,医疗辅助诊断等。
要使用决策树算法,我们先来介绍一下 scikit-learn 。
1,scikit-learn
scikit-learn 是基于Python 的一个机器学习库,简称为sklearn,其中实现了很多机器学习算法。我们可以通过sklearn 官方手册 来学习如何使用它。
sklearn 自带数据集
要进行数据挖掘,首先得有数据。sklearn 库的datasets 模块中自带了一些数据集,可以方便我们使用。
sklearn 自带数据集:
鸢尾花数据集:load_iris()
乳腺癌数据集:load_breast_cancer()
手写数字数据集:load_digits()
糖尿病数据集:load_diabetes()
波士顿房价数据集:load_boston()
体能训练数据集:load_linnerud()
葡萄酒产地数据集:load_wine()
冒号后边是每个数据集对应的函数,可以使用相应的函数来导入数据。
比如我们用如下代码导入鸢尾花数据集:
使用dir(iris)
查看iris
中包含哪些属性:
2,sklearn 中的决策树
sklearn 库的tree 模块实现了两种决策树:
sklearn.tree.DecisionTreeClassifier
类:分类树的实现。sklearn.tree.DecisionTreeRegressor
类:回归树的实现。
分类树用于预测离散型数值,回归树用于预测连续性数值。
sklearn 只实现了预剪枝,没有实现后剪枝。
DecisionTreeClassifier
类的构造函数
DecisionTreeClassifier
类的构造函数中的criterion
参数有2 个取值:
entropy
:表示使用 ID3 算法(信息增益)构造决策树。gini
:表示使用CART 算法(基尼系数)构造决策树,为默认值。
其它参数可使用默认值。
sklearn 库中的决策分类树只实现了ID3 算法和CART 算法。
DecisionTreeRegressor
类的构造函数
DecisionTreeRegressor
类的构造函数中的criterion
参数有4 个取值:
mse
:表示均方误差算法,为默认值。friedman_mse
:表示费尔德曼均方误差算法。mae
:表示平均误差算法。poisson
:表示泊松偏差算法。
其它参数可使用默认值。
3,构造分类树
我们使用 sklearn.datasets
模块中自带的鸢尾花数据集 构造一颗决策树。
3.1,鸢尾花数据集
鸢尾花数据集目的是通过花瓣的长度和宽度,及花萼的长度和宽度,预测出花的品种。
这个数据集包含150条数据,将鸢尾花分成了三类(每类是50条数据),分别是:
setosa
,用数字0
表示。versicolor
,用数字1
表示。virginica
,用数字2
表示。
我们抽出3 条数据如下:
数据的含义:
每条数据包含5 列,列与列之间用逗号隔开。
从第1 列到第5 列,每列代表的含义是:花萼长度,花萼宽度,花瓣长度,花瓣宽度,花的品种。
在机器学习中,前4列称为
特征值
,最后1列称为目标值
。我们的目的就是用特征值预测出目标值。
将上面3 条数据,用表格表示就是:
花萼长度花萼宽度花瓣长度花瓣宽度花的品种5.13.51.40.206.93.14.91.515.93.05.11.82
3.2,构造分类树
首先导入必要的类和函数:
其中:
DecisionTreeClassifier
类用于构造决策树。load_iris()
函数用于导入数据。train_test_split()
函数用于将数据集拆分成训练集与测试集。accuracy_score()
函数用于为模型的准确度进行评分。
导入数据集:
将数据分成训练集和测试集,训练集用于训练模型,测试集用于测试模型的准确度。
我们向train_test_split()
函数中传递了4 个参数,分别是:
features:特征集。
labels:目标集。
test_size=0.33:测试集数据所占百分比,剩下的数据分给训练集。
random_state=0:随机数种子。
该函数返回4 个值,分别是:
train_features:训练特征集。
test_features:测试特征集。
train_labels:训练目标集。
test_labels:测试目标集。
接下来构造决策树:
上面两句代码已经在注释中说明,最终我们得到了决策树clf
(classifier
的缩写)。
用clf
预测测试集数据,test_predict
为预测结果:
计算预测结果的准确率:
最终得出,sorce
和 score2
都为 0.96,意思就是我们训练出的模型的准确率为96%。
函数accuracy_score()
和 clf.score()
都可以计算模型的准确率,但注意这两个函数的参数不同。
4,打印决策树
为了清楚的知道,我们构造出的这个决策树cfl
到底是什么样子,可使用 graphviz
模块将决策树画出来。
代码如下:
为了画出决策树,除了需要安装相应的 Python 模块外,还需要安装Graphviz 软件。
由上面的代码,我们得到的决策树图如下:
我们以根节点为例,来解释一下每个方框里的四行数据(叶子节点是三行数据)都是什么意思。
四行数据所代表的含义:
第一行
X[3]<=0.75
:鸢尾花数据集的特征集有4 个属性,所以对于X[n]
中的n
的取值范围为0<=n<=3
,X[0]
表示第1个属性,X[3]
表示第4 个属性。X[3]<=0.75
的意思就是当X[3]
属性的值小于等于0.75 的时候,走左子树,否则走右子树。X[0] 表示花萼长度。X[1] 表示花萼宽度。X[2] 表示花瓣长度。X[3] 表示花瓣宽度。第二行
gini=0.666
,表示当前的gini
系数值。第三行
samples=100
,samples
表示当前的样本数。我们知道整个数据集有150 条数据,我们选择了0.33 百分比作为测试集,那么训练集的数据就占0.67,也就是100 条数据。根节点包含所有样本集,所以根节点的samples
值为100。第四行
value
:value
表示属于该节点的每个类别的样本个数,value
是一个数组,数组中的元素之和为samples
值。我们知道该数据集的目标集中共有3 个类别,分别为:setosa
,versicolor
和virginica
。所以:value[0]
表示该节点中setosa
种类的数据量,即34。value[1]
表示该节点中versicolor
种类的数据量,即31。value[2]
表示该节点中virginica
种类的数据量,即35。
4.1,打印特征重要性
我们构造出来的决策树对象clf
中,有一个feature_importances_
属性,如下:
clf.feature_importances_
是一个数组类型,里边的元素分别代表对应特征的重要性,所有元素之和为1
。元素的值越大,则对应的特征越重要。
所以,从这个数组,我们可以知道,四个特征的重要性排序为:
花瓣长度 > 花瓣宽度 > 花萼宽度 > 花萼长度
我们可以使用下面这个函数,将该数组画成柱状图:
下图是用plot_feature_importances()
函数生成的柱状图(红字是我添加的
),从图中可以清楚的看出每个特种的重要性。
从该图中也可以看出,为什么决策树的根节点的特征是X[3]
。
5,构造回归树
我们已经用鸢尾花数据集构造了一棵分类树,下面我们用波士顿房价数据集构造一颗回归树。
来看几条数据:
首先,我们认为房价是有很多因素影响的,在这个数据集中,影响房价的因素有13 个:
"CRIM",人均犯罪率。
"ZN",住宅用地占比。
"INDUS",非商业用地占比。
"CHAS",查尔斯河虚拟变量,用于回归分析。
"NOX",环保指数。
"RM",每个住宅的房间数。
"AGE",1940 年之前建成的房屋比例。
"DIS",距离五个波士顿就业中心的加权距离。
"RAD",距离高速公路的便利指数。
"TAX",每一万美元的不动产税率。
"PTRATIO",城镇中教师学生比例。
"B",城镇中黑人比例。
"LSTAT",地区有多少百分比的房东属于是低收入阶层。
数据中的最后一列的数据是房价:
"MEDV" ,自住房屋房价的中位数。
因为房价是一个连续值,而不是离散值,所以需要构建一棵回归树。
下面对数据进行建模,构造回归树使用DecisionTreeRegressor
类:
最后四行代码是计算模型的准确度,这里用了4 种方法,输出如下:
需要注意,回归树与分类树预测准确度的方法不一样:
dtr.score
():与分类树类似,不多说。r2_score
():表示R 方误差,结果与dtr.score
() 一样,取值范围是0 到1。mean_squared_error
():表示均方误差,数值越小,代表准确度越高。mean_absolute_error
():表示平均绝对误差,数值越小,代表准确度越高。
可以用下面代码,将构建好的决策树画成图:
这棵二叉树比较大,你可以自己生成看一下。
再来执行下面代码,看下特征重要性:
从生成的柱状图,可以看到LSTAT 对房价的影响最大:
6,关于数据准备
本文中用到的数据是sklearn 中自带的数据,数据完整性比较好,所以我们没有对数据进行预处理。实际项目中,可能数据比较杂乱,所以在构建模型之前,先要对数据进行预处理。
要对数据有个清楚的认识,每个特征的含义。如果有特别明显的特征对我们要预测的目标集没有影响,则要将这些数据从训练集中删除。
如果某些特征有数据缺失,需要对数据进行补全,可以使用著名的 Pandas 模块对数据进行预处理。如果某特征的数据缺失严重,则应该将其从训练集中删除。对于需要补全的值:
如果某些特征的值是字符串类型数据,则需要将这些数据转为数值型数据。
在测试模型的准确率时,如果测试集中只有特征值没有目标值,就不好对测试结果进行验证。此时有两种方法来测试模型准确率:
K 折交叉验证原理很简单:
将数据集平均分成K 个等份,
K
一般取10
。使用K 份中的1 份作为测试数据,其余为训练数据,然后进行准确率计算。
进行多次以上步骤,求平均值。
7,总结
本篇文章介绍了如何用决策树来处理实际问题。主要介绍了以下知识点:
sklearn
是基于Python
的一个机器学习库。sklearn.datasets
模块中有一些自带数据集供我们使用。用
sklearn.tree
中的两个类来构建分类树和回归树:DecisionTreeClassifier
类:构造决策分类树,用于预测离散值。DecisionTreeRegressor
类:构造决策回归树,用于预测连续值。分别介绍了两个类的构造函数中的
criterion
参数的含义。介绍了几个重要函数的用途:
train_test_split
() 函数用于拆分数据集。o.fit
() 用于拟合决策树。(o
表示决策树对象)o.predict
() 用于预测数据。o.score
() 用于给模型的准确度评分。accuracy_score
() 函数用于给分类树模型评分。r2_score
() 函数用于给回归树模型评分。mean_squared_error
() 函数用于给回归树模型评分。mean_absolute_error
() 函数用于给回归树模型评分。介绍了如何给决策树画图。
介绍了如何给特征重要性画图。
评论