机器学习——决策树和随机森林算法

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。

下面以一个问题引出决策树的思想

这个问题用图来表示就是这样:

为什么先把年龄放在第一个呢，下面就是一个概念:信息熵

信息熵

单位为比特

公式为:

信息和消除不确定性是相联系的

信息熵越大不确定性越大

决策树的划分依据：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，即公式为:

g(D,A)=H(D)-H(D|A) H(D)初始信息熵大小

信息增益:当得知一个特征条件之后，减少的信息熵的大小。

注意: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

下面用一个例子来说明

ID	年龄	有工作	有自己的房子	信贷情况	类别
1	青年	否	否	一般	否
2	青年	否	否	好	否
3	青年	是	否	好	是
4	青年	是	是	一般	是
5	青年	否	否	一般	否
6	中年	否	否	一般	否
7	中年	否	否	好	否
8	中年	是	是	好	是
9	中年	否	是	非常好	是
10	中年	否	是	非常好	是
11	老年	否	是	非常好	是
12	老年	否	是	好	是
13	老年	是	否	好	是
14	老年	是	否	非常好	是
15	老年	否	否	一般	否

H(D)=-(9/15log9/15+6/15(6/15)) 总的信息熵大小

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)=-(2/5log2/5+3/5log3/5)

H(中年) =-(2/5log2/5+3/5log3/5)

H(老年)=-(1/5log1/5+4/5log4/5)

决策树的分类依据之一:信息增益

常见决策树使用的算法

信息增益最大原则

C4.5

信息增益比最大的准则即信息增益比上原来的H(D)的比值大小

CART

回归树:平方误差

分类树:基尼系数最小的准则在sklearn中可以选择划分的默认原则

sklearn决策树API

class sklearn.tree.DescisionTreeClassifier(criterion='gini',max_depth=None.random_state=None)

决策树分类器
criterion:默认是'gini'系数,也可以选择信息增益的熵'entropy'
max_depth:树的深度大小
random_state:随机数种子
method:
decision_path"返回决策树的路径

下面用一个实例说明:

预测泰坦尼克号人员的存活情况

部分数据截图如下:

代码如下:

from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction import DictVectorizer
import pandas as pd
def decision():
    """
    决策树对泰坦尼克号进行预测生死
    :return:
    """
    #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']] #特征值
    y=titan['survived']    #目标值
    #缺失值处理
    x['age'].fillna(x['age'].mean(),inplace=True)
    #分割数据集到训练集合测试集
    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"))
    #用决策树进行预测
    dec=DecisionTreeClassifier(max_depth=5)
    dec.fit(x_train,y_train)
    #预测准确率
    print(dec.score(x_test,y_test))
    return None
    
if __name__=="__main":
    decision()

运行结果如下:

决策树的优缺点

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地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当中已经实现，随机森林参数调优有相关介绍)
随机森林

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。

随机森林建立多个决策树的过程: N个样本，M个特征

单个树建立过程:

随机在N个样本当中选择一个样本，重复N次
随机在M个特征当中选出m个特征 m取值

建立多棵决策树，样本，特征大多不一样随机有放回，建立决策树

采取bootstrap抽样

为什么要随机抽样训练集?

如果不进行随机抽样，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

为什么要有放回地抽样？

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的差异的；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

class sklearn.ensemble.RandomForestClassifier(n_estimators=10,criterion='gini',max_depth=None,bootstrap=True,random_state=None)

随机森林分类器
n_estimators:integer,optional(default=10)森林里的数木数量120,200,300,500,800,1200
criteria:string,可选(defalut="gini")分割特征的测量方法
max_depth:integer或None,可选(默认=无)树的最大深度 5,8,15,25,30
max_features="auto"，每个决策树的的最大特征数量
bootstrap:boolean,optional(default=True)是否在构建树使用放回抽样

代码如下所示:

from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction import DictVectorizer
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
import pandas as pd
def decision():
    """
    决策树对泰坦尼克号进行预测生死
    :return:
    """
    #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']] #特征值
    y=titan['survived']    #目标值
    #分割数据集到训练集合测试集
    x['age'].fillna(x['age'].mean(),inplace=True)
    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())
    rf=RandomForestClassifier()
    param={"n_estimators":[120,200,300,500,800,1200],"max_depth":[5,8,15,25,30]}
    #网格搜索与交叉验证调优
    gc=GridSearchCV(rf,param_grid=param,cv=2)
    gc.fit(x_train,y_train)
    print("预测准确率为:",gc.score(x_test,y_test))
    print("查看选择的参数模型:",gc.best_params_)
if __name__=="__main":
    decision()

运行结果如下:

随机森林的优点

在当前所有算法中，具有极好的准确率
能够有效地运行在大数据集上
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