机器学习-决策树

决策树算法是机器学习中十分重要的算法，它的思想很简单，模拟了人的决策思想，就是根据一些条件做一些决策。比如，我们决策今天是否要去逛街，要看天气好不好、心情好不好、有没有妹子陪等等。

常见的决策树有ID3、C4.5和CART决策树，主要区别是在选择相关因数的算法不同，前两者和信息增益有关、后一种是与基尼指数有关。具体关于这几种决策树的详细信息就不说明了，大家可以网上看看，我这里主要是以代码实现为主以及一些代码的说明。

这次代码还是使用sklearn的的数据吧，以iris花为列子。

#第三天决策树
from sklearn import tree
from sklearn.datasets import load_iris
from sklearn.metrics import classification_report,confusion_matrix
from sklearn.model_selection import train_test_split

#我的例子主要是以代码实现和对其中的说明为主
#如果想了解具体的算法原理网上有很多，我也不想复制粘贴了
#这里还是用iris花作为例子
iris_data = load_iris()['data']
iris_label = load_iris()['target']

#将数据分为训练集和测试集合，test_size表示测试集锁占的比例
#得到的四个值分别是训练集的特征、测试集的特征、训练集的label、测试集的label
train_x,test_x,train_y,test_y = train_test_split(iris_data,iris_label,test_size=0.3)

#ID3和C4.5就是基于信息增益和信息增益率的，cart决策树则是基于基尼指数的
#criterion默认为gini指数，我们这里用entropy表示用信息增益
clf = tree.DecisionTreeClassifier(criterion='entropy')

#训练和预测
clf.fit(train_x,train_y)
predict_y = clf.predict(test_x)

#预测结果打印，上一篇逻辑回归和线性回归中有解释classification_report的结果说明
print(classification_report(test_y,predict_y))

预测结果分析如下：

            precision    recall    f1-score   support

0              1.00      1.00      1.00        18
1              0.93      0.93      0.93        15
2              0.92      0.92      0.92        12

avg / total    0.96      0.96      0.96        45

在机器学习-逻辑回归和线性回归中我已经说明过这个结果的含义了。

这四列分别表示准确率、召回率、F1分数以及与数量，三行分别是每个一个类别的预测数据。

之前还些了一篇ID3决策树算法，主要讲了一下原理并且用matlab实现了一下算法。

最后再说一下决策树缓解过拟合的主要方法，预剪枝、后剪枝

预剪枝：在对节点划分前进行处理，判断划分前后精度是否有提高，若没有提高就进行剪枝。预剪枝使得决策树很多分支没有展开，不仅有效的降低了过拟合的风险，还显著的减少了训练时间。但是预剪枝又过于贪心了，一些节点展开可能没有对精度提高，但是展开的节点下级再分支很有可能会提升精度，而预剪枝则全部否定了这种可能性，带来了欠拟合的风险。

后剪枝：后剪枝是在决策树生成之后，自底向上对非叶节点处理，它的好处就是比预剪枝保留了更多有用的分支，一般情况欠拟合的风险比预剪枝小，泛化性能也常优于预剪枝。但是后剪枝之中处理模式训练开销比预剪枝要大很多。