根据菜菜的课程进行整理，便利记忆理解

代码方位如下：

DecisionTreeClassifier与红酒数据集

class sklearn.tree.DecisionTreeClassifier (criterion=’gini’, splitter=’best’, max_depth=None,min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None,random_state=None, max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None,class_weight=None, presort=False)

重要参数

random_state & splitter

  • random_state：用来设置分枝中的随机形式的参数，默许None，在高维度时随机性会体现更明显，低维度的数据（比如鸢尾花数据集），随机性简直不会闪现。输入任意整数，会一直长出同一棵树，让模型稳定下来。

  • splitter：也是用来操控决策树中的随机选项的.这也是避免过拟合的一种方法。当你猜测到你的模型会过拟合，用这两个参数来帮助你下降树建成之后过拟合的可能性。当然，树一旦建成，咱们依然是运用剪枝参数来避免过拟合。

    • best，决策树在分枝时尽管随机，可是仍是会优先挑选更重要的特征进行分枝（重要性可以经过特点feature_importances_查看）
    • random，决策树在分枝时会愈加随机，树会由于含有更多的不必要信息而更深更大，并因这些不必要信息而下降对练习集的拟合。
# splitter 避免过拟合，使模型变简略，分数下降
clf = tree.DecisionTreeClassifier(criterion="gini",random_state=30,splitter="best")
Xtrain,Xtest,Ytrain,Ytest = train_test_split(wine.data,wine.target,test_size=0.3)
clf.fit(Xtrain,Ytrain)
score = clf.score(Xtest,Ytest)
score
clf = tree.DecisionTreeClassifier(criterion="gini",random_state=30,splitter="random")
Xtrain,Xtest,Ytrain,Ytest = train_test_split(wine.data,wine.target,test_size=0.3)
clf.fit(Xtrain,Ytrain)
score = clf.score(Xtest,Ytest)
score
剪枝参数

在不加约束的情况下，一棵决策树会生长到衡量不纯度的指标最优，或许没有更多的特征可用为止。这样的决策树往往会过拟合，这便是说，它会在练习集上体现很好，在测验集上却体现糟糕。咱们搜集的样本数据不可能和全体的情况完全一致，因而当一棵决策树对练习数据有了过于优异的解释性，它找出的规则必然包括了练习样本中的噪声，并使它对不知道数据的拟合程度缺乏。

为了让决策树有更好的泛化性，咱们要对决策树进行剪枝。剪枝战略对决策树的影响巨大，正确的剪枝战略是优化决策树算法的中心。sklearn为咱们提供了不同的剪枝战略：

max_depth

约束树的最大深度，超越设定深度的树枝全部剪掉

这是用得最广泛的剪枝参数，在高维度低样本量时非常有效。决策树多生长一层，对样本量的需求会增加一倍，所以约束树深度可以有效地约束过拟合。在集成算法中也非常实用。实际运用时，主张从=3开始测验，看看拟合的作用再决议是否增加设定深度。

min_samples_leaf & min_samples_split

  • min_samples_leaf : 约束，一个节点在分枝后的每个子节点都必须包括至少min_samples_leaf个练习样本，不然分枝就不会发生，或许，分枝会朝着满意每个子节点都包括min_samples_leaf个样本的方向去发生

    • 一般搭配max_depth运用，在回归树中有奇特的作用，可以让模型变得愈加滑润。这个参数的数量设置得太小会引起过拟合，设置得太大就会阻止模型学习数据。一般来说，主张从=5开始运用。假如叶节点中含有的样本量变化很大，主张输入浮点数作为样本量的百分比来运用。同时，这个参数可以保证每个叶子的最小尺度，可以在回归问题中避免低方差，过拟合的叶子节点呈现。对于类别不多的分类问题，=1一般便是最佳挑选。

  • min_samples_split : 约束，一个节点必需要包括至少min_samples_split个练习样本，这个节点才允许被分枝，不然分枝就不会发生。

# max_depth 和 min_samples_split 配合运用
# 咱们可以清晰的发现，最下面的44个清酒的没有分枝并没有展开
clf = tree.DecisionTreeClassifier(criterion="gini",random_state=30,max_depth=3,min_samples_split=15)
Xtrain,Xtest,Ytrain,Ytest = train_test_split(wine.data,wine.target,test_size=0.3)
clf.fit(Xtrain,Ytrain)
dot_data = tree.export_graphviz(
                                 clf
                                 ,feature_names=wine.feature_names
                                 ,class_names=["琴酒","清酒","茅台"]
                                 ,filled=True
                                 ,rounded= True
)
graph = graphviz.Source(dot_data)
graph

决策树总结 - DecisionTreeClassifier(二)

max_features & min_impurity_decrease

一般max_depth运用，用作树的”精修“

  • max_features : 约束分枝时考虑的特征个数，超越约束个数的特征都会被舍弃。和max_depth殊途同归，max_features是用来约束高维度数据的过拟合的剪枝参数，但其方法比较暴力，是直接约束可以运用的特征数量而强行使决策树停下的参数，在不知道决策树中的各个特征的重要性的情况下，强行设定这个参数可能会导致模型学习缺乏。假如期望经过降维的方法避免过拟合，主张运用PCA，ICA或许特征挑选模块中的降维算法。
  • min_impurity_decrease : 约束信息增益的巨细，信息增益小于设定数值的分枝不会发生。这是在0.19版别中更新的功能，在0.19版别之前时运用min_impurity_split。
方针权重参数
class_weight & min_weight_fraction_leaf
  • class_weight : 完成样本标签平衡的参数。样本不平衡是指在一组数据会集，标签的一类天然生成占有很大的份额。比如说，在银行要判断“一个办了信用卡的人是否会违约”，便是是vs否（1%：99%）的份额。这种分类情况下，即使模型什么也不做，全把成果猜测成“否”，正确率也能有99%。因而咱们要运用class_weight参数对样本标签进行一定的均衡，给少量的标签更多的权重，让模型更偏向少量类，向捕获少量类的方向建模。该参数默许None，此形式表明主动给与数据会集的一切标签相同的权重。
  • min_weight_fraction_leaf : 有了权重之后，样本量就不再是单纯地记载数目，而是受输入的权重影响了，因而这时候剪枝，就需要搭配min_weight_fraction_leaf这个基于权重的剪枝参数来运用.

学习曲线(要点)

那详细怎么来确认每个参数填写什么值呢？这时候，咱们就要运用确认超参数的曲线来进行判断了，继续运用咱们现已练习好的决策树模型clf。超参数的学习曲线，是一条以超参数的取值为横坐标，模型的衡量指标为纵坐标的曲线，它是用来衡量不同超参数取值下模型的体现的线。在咱们建好的决策树里，咱们的模型衡量指标便是score。

# 寻求最优的超参数 max_depth
from sklearn import tree
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_wine
import matplotlib.pyplot as plt
wine = load_wine()
Xtrain,Xtest,Ytrain,Ytest = train_test_split(wine.data,wine.target,test_size=0.3)
test = []
for i in range(10):
    clf = tree.DecisionTreeClassifier(criterion="gini",random_state=30,max_depth=i+1,min_samples_leaf=10)
    clf.fit(Xtrain,Ytrain)
    score = clf.score(Xtest,Ytest)
    test.append(score)
plt.plot(range(1,11),test,color="red",label="max_depth")
plt.show()

决策树总结 - DecisionTreeClassifier(二)

重要特点和接口

特点是在模型练习之后，可以调用查看的模型的各种性质。对决策树来说，最重要的是feature_importances_ ，可以查看各个特征对模型的重要性。

sklearn中许多算法的接口都是相似的，比如说咱们之前现已用到的fit和score，简直对每个算法都可以运用。除了这两个接口之外，决策树最常用的接口还有apply和predict。

  • apply中输入测验集返回每个测验样本所在的叶子节点的索引
  • predict输入测验集返回每个测验样本的标签。

在这里不得不提的是，一切接口中要求输入X_train和X_test的部分，输入的特征矩阵必须至少是一个二维矩阵。sklearn不接受任何一维矩阵作为特征矩阵被输入。假如你的数据的确只要一个特征，那必须用reshape(-1,1)来给矩阵增维；假如你的数据只要一个特征和一个样本，运用reshape(1,-1)来给你的数据增维。

# 返回的是猜测的所在节点的索引
clf.apply(Xtest)
# array([ 3,  6,  3, 10,  3,  3,  7, 10,  3, 10,  3, 10,  3,  3, 10, 10,  3,10,  3,  3,  6,  3,  3, 10, 10,  6,  3,  6,  3,  3,  6,  9,  9, 10,10,  7,  4,  9,  9,  6, 10,  3,  7, 10,  4,  3,  4,  4, 10,  9,  3,10,  3, 10], dtype=int64)
# 返回的是类别的猜测值
clf.predict(Xtest)
# array([1, 2, 1, 0, 1, 1, 2, 0, 1, 0, 1, 0, 1, 1, 0, 0, 1, 0, 1, 1, 2, 1,1, 0, 0, 2, 1, 2, 1, 1, 2, 0, 0, 0, 0, 2, 1, 0, 0, 2, 0, 1, 2, 0,1, 1, 1, 1, 0, 0, 1, 0, 1, 0])

总结

  • 八个参数：Criterion，两个随机性相关的参数（random_state，splitter），五个剪枝参数（max_depth,min_samples_split，min_samples_leaf，max_feature，min_impurity_decrease）
  • 一个特点：feature_importances_
  • 四个接口：fit，score，apply，predict