首页>>人工智能->机器学习

机器学习

时间:2023-11-29 本站 点击:0

大家有没有听说过 “三行代码行天下” 这句话

真的有这么强吗?

没错,你没有听错

python在数据处理建模这方面确实段位很高

那么,python中的最重要的装备之一就是“sklearn”

下面我们就来看看sklearn是如何来实现决策树中的分类树的

本文目录:

1 概述

      1.1 sklearn中的决策树

2 DecisionTreeClassififier与红酒数据集

      2.1 重要参数

            2.1.1 criterion

            2.1.2 random_state & splitter

            2.1.3 剪枝参数

           2.1.4 目标权重参数

     2.2 重要属性和接口

1 概述

决策树(Decision Tree)是一种非参数的有监督学习方法,它能够从一系列有特征和标签的数据中总结出决策规 则

并用树状图的结构来呈现这些规则,以解决分类和回归问题。决策树算法容易理解,适用各种数据,在解决各 种问题时都有良好表现

尤其是以树模型为核心的各种集成算法,在各个行业和领域都有广泛的应用。

如果对决策树原理还不了解的,请看作者博客文章《机器学习-万字长文介绍决策树之原理(一)》

1.1 sklearn中的决策树

在sklearn模块中决策树是sklearn.tree

sklearn中决策树的类都在”tree“这个模块之下。这个模块总共包含五个类:

如果按照上图的流程,分类树的建模流程就是:

from sklearn import tree #导入需要的模块clf = tree.DecisionTreeClassifier()     #实例化clf = clf.fit(X_train,y_train) #用训练集数据训练模型result = clf.score(X_test,y_test) #导入测试集,从接口中调用需要的信息

下面我们真的要开始上代码了,一般大多数讲决策树的教程都会用鸢尾花(iris)数据集

但是用这个数据集不太好,原因是有一个参数不能够用这个数据集很清楚的介绍,下面我们会讲到

所以本文用的是红酒数据集

首先,要确保你的计算机上有机器学习的环境,如果没有,请看作者文章《机器学习-环境配置(windows版)》

然后我们打开cmd,输入指令:

jupyter lab

新建一个".ipynb"文件准备敲代码

第一步:导入所需要的包

from sklearn import treefrom sklearn.datasets import load_winefrom sklearn.model_selection import train_test_split

第二步:查看数据

我们先来看看这个红酒数据集到底是什么样子的

wine = load_wine()wine.data.shape

解释一下:这是说这个数据集中的标签有三种,0,1和2,也就是这些红酒被分成了三类。

import  pandas as pdpd.concat([pd.DataFrame(wine.data),pd.DataFrame(wine.target)],axis=1)#第一个参数是将两个DataFrame合并,axis默认为0,是纵向合并,为1是横向合并

 这是说训练集的目标属性,有三种,为0,1,2

第三步:建立模型(三行代码行天下)

clf = tree.DecisionTreeClassifier(criterion="entropy")clf = clf.fit(Xtrain,Ytrain)score = clf.score(Xtest,Ytest)#返回预测的准确accuracyscore

 解释一下:模型得分0.9259,还算不错。

第四步:画出这棵树

feature_name = ['酒精','苹果酸','灰','灰的碱性','镁','总酚','类黄酮','非黄烷类酚类','花青素','颜 色强度','色调','od280/od315稀释葡萄酒','脯氨酸']import graphviz dot_data = tree.export_graphviz(clf,out_file = None,feature_names= feature_name,class_names=["琴酒","雪莉","贝尔摩德"],filled=True,rounded=True) graph = graphviz.Source(dot_data)graph

 解释一下:上图就是决策树选出的一些属性,利用这些属性建立的分类树。

那么我们能不能将每个属性的重要性打印出来呢?回答是可以的

#特征重要性clf.feature_importances_[*zip(feature_name,clf.feature_importances_)]

 是不是直观多了呢

到这里,你是不是一位我们的工作完成了呢?

当然没有,这只是开始呢,我们还有更重要的工作要做。

多次运行上述建模代码,你会发现score的值每次都不一样。

那么它为什么会不稳定呢?是不是对所有数据集都这样呢?

这是因为决策树模型的的计算步骤中,

不纯度是基于节点来计算的,也就是说,决策树在建树时,是靠优化节点来追求一棵优化的树

但最优 的节点能够保证最优的树吗?

这是个问题,但是集成算法解决了这个问题

sklearn表示,既然一棵树不能保证最优,那就建更 多的不同的树,然后从中取最好的。

怎样从一组数据集中建不同的树?

在每次分枝时,不从使用全部特征,而是随 机选取一部分特征,从中选取不纯度相关指标最优的作为分枝用的节点。

这样,每次生成的树也就不同了。

2.1.2 random_state & splitter

clf = tree.DecisionTreeClassifier(criterion="entropy",random_state=30)clf = clf.fit(Xtrain, Ytrain)score = clf.score(Xtest, Ytest) #返回预测的准确度score

解释一下:这里的score会固定在0.925,不论你运行多少遍,它都不会变,因为每次都是选择的最优的树。

random_state用来设置分枝中的随机模式的参数,默认None

在高维度时随机性会表现更明显,低维度的数据 (比如鸢尾花数据集),随机性几乎不会显现。

对于鸢尾花数据集,输入任意整数,会一直长出同一棵树,让模型稳定下来。因为这个数据集属性太少,数据的质量也太高了。

这也就回答了为什么本文没选用鸢尾花数据集。

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",决策树在分枝时虽然随机,但是还是会 优先选择更重要的特征进行分枝(重要性可以通过属性feature_importances_查看)

输入“random",决策树在 分枝时会更加随机,树会因为含有更多的不必要信息而更深更大,并因这些不必要信息而降低对训练集的拟合。

这 也是防止过拟合的一种方式。当你预测到你的模型会过拟合,用这两个参数来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。

我们来实验一下:

clf = tree.DecisionTreeClassifier(criterion="entropy",random_state=30 ,splitter="random") clf = clf.fit(Xtrain, Ytrain) score = clf.score(Xtest, Ytest)score

解释一下:我们得到的分数是0.944

我们将图画出来看看

jupyter lab0

解释一下:怎么样,是不是我们得到的树更加大更加啊深呢!

2.1.3 剪枝参数

在不加限制的情况下,一棵决策树会生长到衡量不纯度的指标最优,或者没有更多的特征可用为止。

这样的决策树 往往会过拟合,这就是说,它会在训练集上表现很好,在测试集上却表现糟糕 。

我们收集的样本数据不可能和整体 的状况完全一致,因此当一棵决策树对训练数据有了过于优秀的解释性

它找出的规则必然包含了训练样本中的噪 声,并使它对未知数据的拟合程度不足。

不相信?我们来看看 我们现在模型:

jupyter lab1

 解释一下:看看,是不是我们的模型对训练集效果太好了啊,这很容易造成过拟合。

那怎么来解决这个问题呢?

当我们养一盆植物的时候,当这个植物比较潦草的时候,我们怎么办呢?是不是要剪枝啊!

为了让决策树有更好的泛化性,我们要对决策树进行剪枝。

剪枝策略对决策树的影响巨大,正确的剪枝策略是优化 决策树算法的核心。

sklearn为我们提供了不同的剪枝策略:

max_depth :

限制树的最大深度,超过设定深度的树枝全部剪掉 这是用得最广泛的剪枝参数,在高维度低样本量时非常有效。

决策树多生长一层,对样本量的需求会增加一倍,所 以限制树深度能够有效地限制过拟合。

在集成算法中也非常实用。实际使用时,建议从=3开始尝试,看看拟合的效 果再决定是否增加设定深度。

min_samples_leaf & min_samples_split :

min_samples_leaf限定,一个节点在分枝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 枝就不会发生

或者,分枝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 一般搭配max_depth使用

在回归树中有神奇的效果,可以让模型变得更加平滑。

这个参数的数量设置得太小会引 起过拟合,设置得太大就会阻止模型学习数据。

一般来说,建议从=5开始使用。如果叶节点中含有的样本量变化很 大,建议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。对于类别不多的分类问题,取1通常就是最佳选择。

min_samples_split限定,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枝,否则分枝就不会发生。

我们来看个例子吧:

jupyter lab2

解释一下:max_depth=3,min_samples_leaf=5,min_samples_split=5,观察上面的图,你会发现,深度不超过3,分支后的每个结点的samples都不少于5,每个被分的结点的samples都不低于5。

那么我们来看看效果怎么样

jupyter lab3

解释一下:树变得更简洁了,但是模型得分依旧不错。

max_features & min_impurity_decrease :

一般max_depth使用,用作树的”精修“ 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异曲同工, max_features是用来限制高维度数据的过拟合的剪枝参数

但其方法比较暴力,是直接限制可以使用的特征数量 而强行使决策树停下的参数

在不知道决策树中的各个特征的重要性的情况下,强行设定这个参数可能会导致模型学习不足。

如果希望通过降维的方式防止过拟合,建议使用PCA,ICA或者特征选择模块中的降维算法。

min_impurity_decrease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。

这是在0.19版本中更新的功能,在0.19版本之前时使用min_impurity_split。

确认最优的剪枝参数:

那具体怎么来确定每个参数填写什么值呢?

这时候,我们就要使用确定超参数的曲线来进行判断了,继续使用我们 已经训练好的决策树模型clf。

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。

在我们建好的决策树里,我们的模型度量指标就是score。

jupyter lab4

解释一下:横坐标为max_depth取值,纵坐标为score,从图中我们可以看到,当max_depth取3的时候,模型得分最高。

那么,剪枝参数一定能够提升模型在测试集上的表现吗?

调参没有绝对的答案,一切都是看数据本身,嘿嘿

这么多参数,我们要一个个画学习曲线吗?那不累死了?

这个问题我会在后续的文章中回答。

无论如何,剪枝参数的默认值会让树无尽地生长

这些树在某些数据集上可能非常巨大,对内存的消耗也非常巨 大。

所以如果你手中的数据集非常巨大,你已经预测到无论如何你都是要剪枝的

那提前设定这些参数来控制树的 复杂性和大小会比较好。

2.1.4 目标权重参数

class_weight & min_weight_fraction_leaf:

完成样本标签平衡的参数。样本不平衡是指在一组数据集中,标签的一类天生占有很大的比例。

比如说,在银行要 判断“一个办了信用卡的人是否会违约”,就是是vs否(1%:99%)的比例。

这种分类状况下,即便模型什么也不 做,全把结果预测成“否”,正确率也能有99%。

因此我们要使用class_weight参数对样本标签进行一定的均衡,给少量的标签更多的权重,让模型更偏向少数类,向捕获少数类的方向建模。

该参数默认None,此模式表示自动给与数据集中的所有标签相同的权重。

有了权重之后,样本量就不再是单纯地记录数目,而是受输入的权重影响了

因此这时候剪枝,就需要搭配min_ weight_fraction_leaf这个基于权重的剪枝参数来使用。

另请注意,基于权重的剪枝参数(例如minweight fraction_leaf)将比不知道样本权重的标准(比如min_samples_leaf)更少偏向主导类。

如果样本是加权的,则使用基于权重的预修剪标准来更容易优化树结构,这确保叶节点至少包含样本权重的总和的一小部分。

2.2  重要属性和接口

属性是在模型训练之后,能够调用查看的模型的各种性质。

对决策树来说,最重要的是featureimportances,能 够查看各个特征对模型的重要性。

sklearn中许多算法的接口都是相似的,比如说我们之前已经用到的fifit和score,几乎对每个算法都可以使用。

除了这两个接口之外,决策树最常用的接口还有apply和predict。

apply中输入测试集返回每个测试样本所在的叶子节 点的索引,predict输入测试集返回每个测试样本的标签。

返回的内容一目了然并且非常容易,大家感兴趣可以自己 下去试试看。

在这里不得不提的是,所有接口中要求输入X_train和X_test的部分,输入的特征矩阵必须至少是一个二维矩阵。 sklearn不接受任何一维矩阵作为特征矩阵被输入 。

如果你的数据的确只有一个特征,那必须用reshape(-1,1)来给 矩阵增维;

如果你的数据只有一个特征和一个样本,使用reshape(1,-1)来给你的数据增维。

jupyter lab5

 解释一下:我们拿到了每个样本所在的叶子节点的索引

jupyter lab6

 解释一下:我们拿到了每个样本的分类结果。

至此,我们已经学完了分类树DecisionTreeClassififier和用决策树绘图(export_graphviz)的所有基础。

我们讲解了决策树的基本流程,分类树的八个参数,一个属性,四个接口,以及绘图所用的代码。

八个参数:

Criterion,两个随机性相关的参数(random_state,splitter),五个剪枝参数(max_depth, min_samples_split,min_samples_leaf,max_feature,min_impurity_decrease)

一个属性: featureimportances

四个接口: fifit,score,apply,predict

接下来,在不断的实验中,在各种数据集上进行实战,一定会变得更加熟练!

本文参考教程:菜菜的sk-learn课程

如有写的不合适,亦或是不精确的地方,望读者多包涵

如果大家对上述内容有任何不理解的地方,可以留言,和毛同学共同讨论,一起进步!


本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如若转载,请注明出处:/AI/1094.html