分类——决策树模型（附有决策树生成步骤）

一、决策树的算法的学习
决策树学习通常包括特征选择、决策树的生产、决策树的修剪这三个步骤组成。这些决策树学习的思想主要来自于ID3算法、C4.5算法、CART算法，我学习了这三个算法后是觉得难度依次增加，考虑的问题由局部->总体->优化，下面会依次介绍三种算法个人学习心得，不妥之处，敬请指出。
1、特征选择
三种算法分别对应三种不同的准则，ID3算法运用了信息增益，C4.5算法运用了信息增益比，CART算法运用了基尼指数（Gini）。（这里只简要介绍三个准则，详细请阅读李航教授的《统计学习方法》）。在介绍之前，先介绍熵的概念，随机变量X（为输入实例的所属类。假如有50个随机变量（假设全部被决策树分类），如果所有的随机变量被分成2类，一类有20的，另一类则有30个，则X的取值为2/5、3/5.）的熵定义为从X1、X2到Xn分别与对应的以2或者e为底，X1、X2到Xn对应的自身的乘积的之和的相反数。
首先介绍ID3算法的准则信息增益：它定义为:g(D,A)=H(D)-H(D|A),其中H(D)为经验熵，是上述熵的应用，D是训练数据集；H(D|A)为特征A对数据集D的经验条件熵，个人理解是每个数据集都已经成为某类的一个数据，用特征A对数据集进行划分，划分出来的每一部分中的数据可能从属不同的类，H(D|A)即求的是划分的每一部分的H(Di)之和，信息增益g(D,A)就能求出。但是运用信息增益可能在概率上会有偏好，会造成过拟合，因此有了信息增益比。
C4.5则运用了信息增益比，特征A对训练数据集D的信息增益比gR(D,A)定义为其信息增益g(D,A)与训练数据集D关于特征A的值的熵HA(D)之比，即gR(D,A)=g(D,A)/HA(D)，其中，
CART算法可以用于分类或回归中，其标准Gini指数请参考李航教授的《统计学习方法》。

2、决策树的生成（我重点从实战中记录心得）
决策树的生成这里使用了sklearn.datasets库中的load_wine数据集，一般的建模从代码层面可以得出模型的准确率、召回率等，但不能生成决策树。而一棵完美的决策树会是建模过程更加的高级，所以有必要学习下。画出对应模型的决策树需要graphviz第三方库（这个库的安装真的有点难度），需要pip进行install，这一点还不够，还需要设置电脑系统环境变量，这是重点。
首先从graphviz官方安装对应的graphviz工具，我安装的是Win10-64位的，安装过程中需要记得安装地址，后面在设置电脑系统环境变量需要使用，安装成功后便开始进行环境变量的设置了。
设置环境变量：首先进入控制面板，找到“系统”，点击进入，

设置用户环境，即输入刚刚安装的地址，以我为例：D:\graphviz\bin
设置环境变量，在安装地址后+\dot.exe，例：D:\graphviz\bin\dot.exe

检测环境变量是否生效：
1.打开dos窗口：win+R
2.输入命令：dot -version
3.观察到如下信息，则该设置生效；

有效之后便是最后一步在Pycharm中安装graphviz库了，成功之后便可以使用（这是正常情况下），如果出现下面的bug，python中运行仍然出错

’ExecutableNotFound: failed to execute ['dot', '-Tpdf', '-O', 'iris'], make sure the Graphviz executables are on your systems' PATH‘
之后用以下方法查看了环境变量，发现没有，之后追加上。
import os
os.environ[ "PATH" ] += os.pathsep + 'C:/Program Files (x86)/Graphviz2.38/bin/'
现在就可以使用了。

下面给出决策树实现load_wine数据集的代码及决策树

from sklearn.datasets import load_wine
from sklearn import tree
from sklearn.model_selection import train_test_split as tsplit
from sklearn.tree import DecisionTreeClassifier, export_graphviz
import graphviz
import os
os.environ[ "PATH" ] += os.pathsep + 'D:/graphviz/bin'
X,y=load_wine(return_X_y=True)
x_train,x_test,y_train,y_test=tsplit(X,y,test_size=0.1)
m=tree.DecisionTreeClassifier()
m.fit(x_train,y_train)
<p>**添加特征名称(feature_names)、分类结果(class_names)、填充颜色filled=True可以给可视化的决策树添加颜色。因为load_wine数据集有13个特征，所有下面没有添加，有需要请自己添加，格式一样。<br>
dot_data=export_graphviz(m,out_file=None,<br>
class_names=['pclass=0','pclass=1st','pclass=2nd'],filled=True)<br>
graph=graphviz.Source(dot_data)<br>
graph.render('决策树可视化')<br>
</p>

附加读取excel类型文件的例子

#模型搭建代码汇总
from sklearn.tree import export_graphviz
import graphviz
import os 
import pandas as pd
#1.读取数据与简单预处理
df = pd.read_excel('员工离职预测模型.xlsx')
df = df.replace({'工资': {'低': 0, '中': 1, '高': 2}})
#2.提取特征变量和目标变量
X = df.drop(columns='离职')
y = df['离职']
#3.划分训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=123)
#4.模型训练及搭建
from sklearn.tree import DecisionTreeClassifier
model = DecisionTreeClassifier(max_depth=3, random_state=123)
model.fit(X_train, y_train)
#以下这两行是手动进行环境变量配置，防止在本机的环境变量部署失败
os.environ['PATH'] = os.pathsep + 'D:\graphviz\bin'
dot_data = export_graphviz(model, out_file=None)
graph = graphviz.Source(dot_data)
graph.render('决策树可视化')

参考文献：

[1]李航.统计学习方法[M].清华大学出版社，2019
[2]徐向武.Python高手修炼之道[M].人民邮电出版社，2020
[3]https://blog.csdn.net/qq_45832050/article/details/109271806?utm_source=app&app_version=4.7.1&code=app_1562916241&uLinkId=usr1mkqgl919blen