决策树

决策树是一种基本的分类方法，当然也可以用于回归。我们一般只讨论用于分类的决策树。决策树模型呈树形结构。在分类问题中，表示基于特征对实例进行分类的过程，它可以认为是if-then规则的集合。在决策树的结构中，每一个实例都被一条路径或者一条规则所覆盖。通常决策树学习包括三个步骤：特征选择、决策树的生成和决策树的修剪

优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理逻辑回归等不能解决的非线性特征数据

缺点：可能产生过度匹配问题

适用数据类型：数值型和标称型

 

 

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.feature_extraction import DictVectorizer
from sklearn.ensemble import RandomForestClassifier
from sklearn.tree import DecisionTreeClassifier, export_graphviz
import pandas as pd
 
 
def decision():
    """
    决策树对泰坦尼克号进行预测生死
    :return: None
    """
    # 获取数据
    titan = pd.read_csv("http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt")
 
    # 处理数据，找出特征值和目标值
    x = titan[['pclass', 'age', 'sex']]
 
    y = titan['survived']
 
    print(x)
    # 缺失值处理
    x['age'].fillna(x['age'].mean(), inplace=True)
 
    # 分割数据集到训练集合测试集
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)
 
    # 进行处理（特征工程）特征-》类别-》one_hot编码
    dict = DictVectorizer(sparse=False)
 
    x_train = dict.fit_transform(x_train.to_dict(orient="records"))
 
    print(dict.get_feature_names())
 
    x_test = dict.transform(x_test.to_dict(orient="records"))
 
    print(x_train)
    # 用决策树进行预测（超参数调优）
    dec = DecisionTreeClassifier()
    param = {"max_depth": [5, 8, 15, 25, 30]}
    # 网格搜索与交叉验证
    gc = GridSearchCV(dec, param_grid=param, cv=2)
 
    gc.fit(x_train, y_train)
 
    print("准确率：", gc.score(x_test, y_test))
 
    print("查看选择的参数模型：", gc.best_params_)
 
    # 导出决策树的结构
    export_graphviz(dec, out_file="./tree.dot", feature_names=['年龄', 'pclass=1st', 'pclass=2nd', 'pclass=3rd', '女性', '男性'])
 
    return None
 
 
if __name__ == "__main__":
    decision()　　

随机森林

在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。利用相同的训练数搭建多个独立的分类模型，然后通过投票的方式，以少数服从多数的原则作出最终的分类决策。例如, 如果你训练了5个树, 其中有4个树的结果是True, 1个数的结果是False, 那么最终结果会是True.

 

 

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.feature_extraction import DictVectorizer
from sklearn.ensemble import RandomForestClassifier
from sklearn.tree import DecisionTreeClassifier, export_graphviz
import pandas as pd
 
 
def decision():
    """
    决策树对泰坦尼克号进行预测生死
    :return: None
    """
    # 获取数据
    titan = pd.read_csv("http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt")
 
    # 处理数据，找出特征值和目标值
    x = titan[['pclass', 'age', 'sex']]
 
    y = titan['survived']
 
    print(x)
    # 缺失值处理
    x['age'].fillna(x['age'].mean(), inplace=True)
 
    # 分割数据集到训练集合测试集
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)
 
    # 进行处理（特征工程）特征-》类别-》one_hot编码
    dict = DictVectorizer(sparse=False)
 
    x_train = dict.fit_transform(x_train.to_dict(orient="records"))
 
    print(dict.get_feature_names())
 
    x_test = dict.transform(x_test.to_dict(orient="records"))
 
    print(x_train)
 
    # 随机森林进行预测 （超参数调优）
    rf = RandomForestClassifier()
 
    param = {"n_estimators": [120, 200, 300, 500, 800, 1200], "max_depth": [5, 8, 15, 25, 30]}
 
    # 网格搜索与交叉验证
    gc = GridSearchCV(rf, param_grid=param, cv=2)
 
    gc.fit(x_train, y_train)
 
    print("准确率：", gc.score(x_test, y_test))
 
    print("查看选择的参数模型：", gc.best_params_)
 
    return None
 
 
if __name__ == "__main__":
    decision()