带你走进sklearn系列1

资料来源:菜菜B站视频
文章内容：决策树的基本概念和实战应用。不会展示公式原理，偏重于实战应用。
无意中翻到了菊安酱和菜菜的博客，大家可以去看一下：https://www.cnblogs.com/juanjiang/p/11003369.html

概述

决策树是一种非参数的有监督学习算法，非参数是说参数数量会随着训练样本增长的算法。
具体可以去看：https://www.cnblogs.com/wwwjjjnnn/p/9126906.html

核心问题

• 谁是最佳分枝点
• 什么时候停止分枝

模块sklearn.tree

共包含4种树和3种树的输出形式，官方教程：https://scikit-learn.org/stable/modules/classes.html#module-sklearn.tree

• tree.DecisionTreeClassifier() 分类树 ****今日重点**
• tree.DecisionTreeRegressor() 回归树
• tree.ExtraTreeClassifier() 高随机版本的分类树
• tree.ExtraTreeRegressor() 高随机版本的回归树
• tree.export_graphviz(decision_tree) 输出DOT格式的图
• tree.export_text(decision_tree) 输出决策树规则的文本
• tree.plot_tree(decision_tree) 画决策树

重要参数--8个

class sklearn.tree.DecisionTreeClassifier(criterion='gini', splitter='best', max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None, class_weight=None, presort='deprecated', ccp_alpha=0.0)

1.criterion

用来决定不纯度的计算方法：entropy、gini。树中的每一个节点都有不纯度，叶子节点的不纯度最低。
一般默认使用gini，当决策树拟合程度不够时，再试试信息熵，信息熵对训练集拟合的比较精细，但往往也容易过拟合，两者基本没太大差别。选择不纯度最低的节点（就是最纯的，最容易直接分类的特征）进行分枝，决策树在分枝时，其实使用的是信息增益。

from sklearn import tree
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split

wine = load_wine()

利用红酒数据集建一棵树，数据集中字段包括：wine.data,wine.target,wine.target_names,wine.feature_names，该数据集是一个三分类数据。

# 做成一个表，来瞅一下,最后一列就是标签

import pandas as pd
data = pd.concat([pd.DataFrame(wine.data),pd.DataFrame(wine.target)],axis=1)
data.head(3)

# 划分数据集，注意前面一定是xxyy，test_size可以自己设定7:3还是8:2

x_train,x_test,y_train,y_test = train_test_split(wine.data,wine.target,test_size=0.3)
print("x_train的维度{}，wine.date的维度{}".format(x_train.shape,wine.data.shape))

x_train的维度(124, 13)，wine.date的维度(178, 13)

2.random_state & splitter

sklearn通过在分枝时随机选取部分特征进行优化，进而建立很多棵树，返回最好的树。
在高维度的数据中，每次运行下面的模型，会返回不同的分数。为保持结果稳定，设定random_state参数。
splitter控制随机选项,有两个参数：'best'根据重要程度选取特征;'random'在分枝时更随机，对训练集的拟合度会降低。 所以如果你本身特征就比较多，为了防止过拟合可以设置这两个参数。

# 建模看一下

clf = tree.DecisionTreeClassifier(criterion='entropy'
                                 ,random_state=30
                                 ,splitter='random'
                                 )
clf = clf.fit(x_train,y_train)
score = clf.score(x_test,y_test)
print('模型分数：%.4f' %score)

import graphviz
feature_name = ['酒精','苹果酸','灰','灰的碱性','镁','总酚','类黄酮','飞黄烷类酚类','花青素','颜色强度','色调','稀释葡萄酒','脯氨酸']
dot_data = tree.export_graphviz(clf
                                ,feature_names=feature_name
                                ,class_names=['琴酒','雪莉','贝尔摩德']
                                ,filled=True   # 颜色填充
                                ,rounded=True  # 圆角
                                )
graph = graphviz.Source(dot_data)
graph

graphviz要自己另外安装，记得加入path。

查看特征排名

# 特征重要性的排名

clf.feature_importances_

# *zip()进行解压

[*zip(feature_name,clf.feature_importances_)]

3.剪枝参数（5个）

• max_depth 限制树的深度，在高维度低样本的训练中非常有效。建议从=3开始尝试，看拟合效果再决定是否增加深度。
• min_samples_leaf
  节点分枝后的每个子节点包含的样本数必须包含的样本个数，一般搭配max_depth使用，建议从=5开始使用。
• min_samples_split
  一个节点必须包含的样本数，小于这个样本数，就不会允许继续分枝。
• max_features
  限制分枝时考虑的特征个数，是一个比较暴力的强行使决策树停下的参数。如果希望降维选取重要特征，建议改用PCA、ICA或其他特征选择模块中的降维算法，盲目限制该参数，可能会使模型学习能力不足。
• min_impurity_decrease
  当信息增益小于限定的数值时，不会再分枝。

一般来讲max_depth+min_samples_leaf|min_samples_split就可以完成调参，后面的参数设置属于精修范围。

# 对训练集的拟合程度---“太完美了”

train_score=clf.score(x_train,y_train)
train_score

进行剪枝，参数是随便修改的，该结果并不是最优 ，重点看参数设置后的变化

cut_clf = tree.DecisionTreeClassifier(criterion='entropy'
                                      ,random_state=30
                                      ,splitter='random'
                                      ,max_depth=4
                                      ,min_samples_leaf=5
                                      ,min_samples_split=45                                   
                                      )
cut_clf = cut_clf.fit(x_train,y_train)
cut_score = cut_clf.score(x_test,y_test)
print('模型分数：%.4f' %cut_score)

cut_dot_data = tree.export_graphviz(cut_clf
                                    ,feature_names=feature_name
                                    ,class_names=['琴酒','雪莉','贝尔摩德']
                                    ,filled=True   # 颜色填充
                                    ,rounded=True  # 圆角
                                    )
cut_graph = graphviz.Source(cut_dot_data)
cut_graph

如何调参

学习曲线的使用

以超参数的取值为横坐标，模型的度量值为纵坐标。

import matplotlib.pyplot as plt
%matplotlib inline

test = []
for i in range(10):
    clf = tree.DecisionTreeClassifier(max_depth=i+1
                                      ,criterion='entropy'
                                      ,random_state=30
                                      )
    clf = clf.fit(x_train,y_train)
    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()

学习曲线

• 剪枝参数不一定提高模型在测试集上的表现，这取决于数据本身。
• 遗留问题：多参数调参（后面补上）

目标权重参数

• class_weight & min_weight_fraction_leaf
  当样本类别不平衡时设置的参数，默认为None，所有标签具有相同权重。
  样本加权之后使用min_weight_fraction_leaf配合调参。

重要属性

• feature_importances_
  训练之后，调用clf.feature_importances_查看特征重要程度。
  与特征名一起解压，得到（特征，权重）元组。

重要接口

• fit()
• score()
• apply()
  返回样本点所在叶子节点的索引。
• predict()
  返回样本分类/回归的结果。

总结

决策树一共讲了8个参数，1个属性，4个接口 。