决议计划树算法浅析

决议计划树的介绍

决议计划树的界说： 决议计划树是一种逼近离散值目标函数的方法，学习到的函数运用树结构进行表明，完结决议计划使命。这儿决议计划树可所以分类树，也可所以回归树。

树结构的运用： 一个决议计划树一般由根节点、若干内部节点、若干叶子节点构成。叶子节点就是决议计划成果；每个内部节点对应一个特点测验，每个内部节点包括的样本集合，依据特点测验结构进一步区别，进入该内部节点的子节点；根节点包括悉数的练习样本，从根节点到每个叶子节点，对应了一条决议计划规矩。

决议计划进程的了解： 先以一个简单的动物分类使命为例，怎么区别鸡和鸭两类动物。咱们决议计划进程应该是考虑，鸡和鸭两种动物较为显着的区别特征。例如，嘴部结构特征，依据该特征（特点）拟定决议计划进程，如果尖嘴就是鸡,如果是扁形嘴就是鸭。

再拓展到复杂的动物分类使命，从多个动物样本数据中，区别哺乳动物和非哺乳动物。观察表格样本数据，显着发现仅运用一个特征无法正确完结分类使命。此时，咱们能够同时考虑其他特征，增加决议计划规矩。

另一个角度去了解，决议计划树构建的进程，类似与运用python语言编写了若干if-else分支去解决问题。

不断寻找特征，增加规矩的进程，实际上就是构建决议计划树的进程，咱们总能得到一个决议计划树能够较好的完结分类使命。 这儿咱们需求考虑以下内容：

• 1.数据方面，运用的是离散化数据特征，连续数值类型需求进行离散化。
• 2.过拟合问题，或许存在数据样本需求复杂的特点测验，拟定很多规矩才干完结分类，导致过拟合的发生。
• 3.建模方面，尽或许构建简单的决议计划树，少进行特点测验。这也是决议计划树算法的关键问题。

决议计划树最佳区别的衡量问题

咱们总想先找到关键特征，依据关键特征进行特点测验，将无序数据变得愈加有序，或者说将区别后的数据样本的“不纯度”不断下降。

怎么对节点进行不纯度的衡量？能够运用以下方式衡量：

• 熵：无序化程度的衡量，熵越大则表明越混乱。
• 误分类率：错误分类概率
• 基尼指数：表明在样本集合中一个随机选中的样本被分错的概率。

有了衡量规范后，咱们就能够寻找，从父节点到子节点特点测验时，熵减最大、误分类率下降最大或基尼指数减最大的特征，循环该进程使得决议计划树不断生长。

我们能够测验依据上述表格中的数据进行衡量计算。

决议计划树python事例

wine葡萄酒数据集

• 数据记载178条
• 数据特征13个’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’,’色彩强度’,’色调’,’od280/od315稀释葡萄酒’,’脯氨酸’
• 目标类别3类：’琴酒’,’雪莉’,’贝尔摩德’

决议计划树结构可视化

# 导入所需求的模块
import matplotlib.pyplot as plt
import pandas as pd           #读取数据
from sklearn import tree #树的模块
from sklearn.datasets import load_wine #导入红酒数据集
from sklearn.model_selection import train_test_split # 区别数据集的模块
plt.rcParams['font.sans-serif']=['SimHei']
# 探索数据
wine = load_wine()
# 数据有178个样本，13个特征
pd.concat([pd.DataFrame(wine.data),pd.DataFrame(wine.target)],axis=1)
# 区别数据为练习集和测验集，test_size标示测验集数据占的百分比
Xtrain, Xtest, Ytrain, Ytest = train_test_split(wine.data,wine.target,test_size=0.3)
# 建立模型
clf = tree.DecisionTreeClassifier(criterion="entropy")# 实例化模型，增加criterion参数
clf = clf.fit(Xtrain, Ytrain)# 运用实例化好的模型进行拟合操作
score = clf.score(Xtest, Ytest) #回来预测的准确度
#对数结构进行可视化
tree.plot_tree(clf)
# 对特征重要度数据进行可视化
importances = list(clf.feature_importances_)      #辛烷值RON影响因素的重要性
feature_importances = [(feature, round(importance, 2)) for feature, importance in zip(feature_name,importances)]     #将相关变量名称与重要性对应
feature_importances = sorted(feature_importances, key = lambda x: x[1], reverse = True)                #排序
print(*feature_importances)
feature_importances_df =pd.DataFrame(feature_importances)
print(df)
[print('Variable: {:12} Importance: {}'.format(*pair)) for pair in feature_importances]            #输出特征影响程度具体数据
#绘图
f,ax = plt.subplots(figsize = (13,8))    #设置图片大小
x_values = list(range(len(importances)))     
plt.bar(x_values,feature_importances_df[1], orientation = 'vertical', color = 'r',edgecolor = 'k',linewidth =0.2)    #制作柱形图
# Tick labels for x axis
plt.xticks(x_values, feature_importances_df[0], rotation='vertical',fontsize=8)      
# Axis labels and title
plt.ylabel('Importance'); plt.xlabel('Variable'); plt.title('Variable Importances');
#特征重要性
print(clf.feature_importances_)# 查看每一个特征对分类的贡献率
print([*zip(feature_name,clf.feature_importances_)])
tree.DecisionTreeClassifier(criterion="entropy",random_state=30)
clf = clf.fit(Xtrain, Ytrain)
score = clf.score(Xtest, Ytest) #回来预测的准确度
print(score)