随机森林预测NBA篮球赛（二）——数据分析

　　决策树是一种有监督的机器学习算法，它看起来就像是由一系列节点组成的流程图，其中位

于上层节点的值决定下一步走向哪个节点。

　　首先是训练阶段，用训练数据构造一棵树。之后再是测试阶段。决策树跟大多数机器学习方法类似，是一种积极学习的算法，在训练阶段完

成模型的创建。

　　

　　除了设定退出准则外，也可以先创建一棵完整的树，再对其进行修剪，去掉对整个过程没有

　提供太多信息的节点。这个过程叫作剪枝（pruning）。

　　scikit-learn库实现的决策树算法给出了退出方法，使用下面这两个选项就可以达到目的。

　　　　 min_samples_split：指定创建一个新节点至少需要的个体数量。

　　　　 min_samples_leaf：指定为了保留节点，每个节点至少应该包含的个体数量。

　　　　第一个参数控制着决策节点的创建，第二个参数决定着决策节点能否被保留。

　　决策树的另一个参数是创建决策的标准，常用的有以下两个。

　　　　 基尼不纯度（Gini impurity）：用于衡量决策节点错误预测新个体类别的比例。

　　　　 信息增益（Information gain）：用信息论中的熵来表示决策节点提供多少新信息。

 上面内容摘自  Robert Layton 的python

 

 

　　首先，对于数据，要先提取特征：对于特征的提取大致有几种方法。

1  最简单的就是根据主客场球队 单纯上次的比赛情况

dataset["HomeLastWin"] = False
dataset["VisitorLastWin"] = False
# This creates two new columns, all set to False

from collections import defaultdict
won_last = defaultdict(int)
for index,row in dataset.iterrows():
    home_team = row['Home Team']
    visitor_team = row['Visitor Team']
    row["HomeLastWin"] = won_last[home_team]
    row['VisitorLastWin'] = won_last[visitor_team]
    dataset.ix[index] = row
    won_last[home_team] = row["HomeWin"]
    won_last[visitor_team] = not row["HomeWin"]

from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import cross_val_score
clf = DecisionTreeClassifier(random_state=14)

X_previouswins  = dataset[["HomeLastWin", "VisitorLastWin"]].values
scores = cross_val_score(clf, X_previouswins, y_true, scoring="accuracy")
print("Accuracy: {0:.1f}%".format(np.mean(scores) * 100))

2 根据上个赛季的比赛情况，这是需要用到上个赛季的数据，数据的爬取方式，再上一篇中着重介绍。

　　根据主客场对战的上次排名进行比较，将此作为一个特征：

last_match_winner = defaultdict(int)
dataset['HomeTeamWonLast'] = 0
for index, row in dataset.iterrows():
    home_team = row['Home Team']
    visitor_team = row['Visitor Team']
    # 通过字母排序，这样不论谁是主客场队伍，保证不会出现重复
    teams = tuple(sorted([home_team, visitor_team]))
    row['HomeTeamWonLast'] = 1 if last_match_winner[teams] == row["Home Team"] else 0
    dataset.ix[index] = row
    winner = row["Home Team"] if row["HomeWin"] else row['Visitor Team']
    last_match_winner[teams] = winner

X_lastwinner = dataset[["HomeTeamRanksHigher", "HomeTeamWonLast"]].values
clf = DecisionTreeClassifier(random_state=14)
scores = cross_val_score(clf, X_lastwinner, y_true, scoring='accuracy')
print("Accuracy: {0:.1f}%".format(np.mean(scores) * 100))

　　为了防止决策树过拟合的现象，还可以采用随机森林的方式，方差会减小。

　　这里的方差的大小与数据集（训练集）的分割有关系；而偏误与训练集没有关系，与算法有关系，因为，算法都是先假设数据按照正态分布，导致较高的误差。

from sklearn.ensemble import RandomForestClassifier
cls = RandomForestClassifier(random_state=14)
scores = cross_val_score(clf, X_teams, y_true, scoring='accuracy')
print("Accuracy: {0:.1f}%".format(np.mean(scores) * 100))


X_all = np.hstack([X_homehigher, X_teams])
cls = RandomForestClassifier(random_state=14)
scores = cross_val_score(clf, X_all, y_true, scoring='accuracy')
print("Accuracy: {0:.1f}%".format(np.mean(scores) * 100))

　　还可以通过GridSearchCV选取最佳的参数

from sklearn.model_selection import GridSearchCV

parameter_space = {
    "max_features":[2,10,'auto'],
    "n_estimators":[100,],
    "criterion":['gini','entropy'],
    'min_samples_leaf':[2,4,6]
}
clf = RandomForestClassifier(random_state=14)
grid = GridSearchCV(clf, parameter_space)
grid.fit(X_all, y_true)
print("Accuracy: {0:.1f}%".format(grid.best_score_ * 100))


print(grid.best_estimator_)

RandomForestClassifier(bootstrap=True, ccp_alpha=0.0, class_weight=None,
                       criterion='entropy', max_depth=None, max_features=2,
                       max_leaf_nodes=None, max_samples=None,
                       min_impurity_decrease=0.0, min_impurity_split=None,
                       min_samples_leaf=6, min_samples_split=2,
                       min_weight_fraction_leaf=0.0, n_estimators=100,
                       n_jobs=None, oob_score=False, random_state=14, verbose=0,
                       warm_start=False)


以上参考 Robert Layton 的python数据挖掘与数据分析，有兴趣可以看看书。