作者|Angel Das
编译|VK
起源|Towards Data Science

介绍

  • 决策树分类器是一种有监督的学习模型，在咱们关怀可解释性时十分有用。
  • 决策树通过基于每个档次的多个问题做出决策来合成数据
  • 决策树是解决分类问题的罕用算法之一。

为了更好地了解它，让咱们看看上面的例子。

决策树通常包含：

  • 根节点-示意被进一步划分为同质组的样本或总体
  • 拆分-将节点分为两个子节点的过程
  • 决策节点-当一个子节点依据某个条件拆分为其余子节点时，称为决策节点
  • 叶节点或终端节点-不进一步拆分的子节点
  • 信息增益-要应用一个条件(比如说信息最丰盛的特色)来宰割节点，咱们须要定义一个能够优化的指标函数。在决策树算法中，咱们偏向于在每次宰割时最大化信息增益。在测量信息增益时，通常应用三种度量。它们是基尼不纯度、熵和分类误差

数学了解

为了了解决策树是如何倒退的，咱们须要更深刻地理解在每一步中如何应用度量使信息增益最大化。

让咱们举一个例子，其中咱们有蕴含学生信息的训练数据，如性别、年级、因变量或分类变量，这些变量能够辨认学生是否是美食家。咱们有以下概述的信息。

  1. 学生总数-20人
  2. 被归为美食家的学生总数-10
  3. 不属于美食家的学生总数-10
  4. P(美食家)，即学生成为美食家的概率=(10/20）=0.5
  5. Q(非美食家），学生不是美食家的概率=(10/20）=0.5

让咱们依据学生的性别将他们分成两个节点，并从新计算上述指标。

男学生(节点A）

  1. 学生总数-10人
  2. 被归为美食家的学生总数-8
  3. 不属于美食家的学生总数-2
  4. P(美食家)，学生成为美食家的概率=(8/10）=0.8
  5. Q(非美食家），学生不是美食家的概率=(2/10）=0.2

女生(节点B）

  1. 学生总数-10人
  2. 被归为美食家的学生总数-4
  3. 不属于美食家的学生总数-6
  4. P(美食家)，学生成为美食家的概率=(4/10）=0.4
  5. Q(非美食家），学生不成为美食家的概率=(6/10）=0.6

节点A的基尼指数 (GIn)=P²+Q²，其中P和Q是学生成为美食家和非美食家的概率。GIn(节点A）=0.8²+0.2²=0.68

节点A的基尼不纯度(GIp）=1-基尼指数=1–0.68=0.32

节点B或女生的基尼指数(GIn）=P²+Q²，其中P和Q是学生成为美食家和非美食家的概率。GIn(节点B）=0.4²+0.6²=0.52

节点B的基尼不纯度(GIp）=1-基尼指数=1–0.52=0.48

咱们察看到的是，当咱们将学生按性别(男性和女性)别离划分为A和B节点时，咱们别离失去了两个节点的基尼不纯度。当初，为了确定性别是否是将学生分为美食家和非美食家的正确变量，咱们须要一个加权基尼不纯度分数，该分数应用以下公式计算。

加权基尼不纯度=(A节点总样本数/数据集中总样本数)基尼不纯度(A节点)+(B节点总样本数/数据集中样本数)基尼不纯度(B节点)

用此公式计算上例的加权基尼不纯度分数，按性别划分学生时加权基尼不纯度分数=(10/20)0.32 + (10/20)0.48 = 0.4

一个分类问题波及多个自变量。变量能够是名义变量，也能够是连续变量。决策树很适宜解决不同数据类型的变量。

决策树算法在决定每个节点的拆分时思考了所有可能的变量，能够取得最大加权不纯度增益的变量被用作特定节点的决策变量。

在下面的例子中，应用“性别”作为决策变量的加权不纯度增益是0.4，然而，假如应用“年级”作为决策变量，加权不纯度增益0.56，算法将应用“年级”作为创立第一个宰割的决策变量。所有后续步骤都遵循相似的办法，直到每个节点都是同构的。

决策树算法简介

  1. 决策树容易适度拟合，因为算法持续将节点宰割为子节点，直到每个节点变得平均
  2. 与测试集相比，训练数据的精度要高得多，因而须要对决策树进行剪枝，以避免模型适度拟合。剪枝能够通过管制树的深度、每个节点的最大/最小样本数、要拆分的节点的最小不纯度增益和最大叶节点来实现
  3. Python容许用户应用基尼不纯度或熵作为信息增益准则来开发决策树
  4. 能够应用网格搜寻或随机搜寻CV对决策树进行微调。CV代表穿插验证

三种不同不纯度规范的比拟

上面概述的代码片段提供了不同不纯度规范的直观比拟，以及它们如何随不同的概率值而变动。留神上面的代码改编自Deeper Insights into Machine Learning by S.Raschka, D.Julian, and J.Hearty, 2016。

import matplotlib.pyplot as pltimport numpy as np#-----计算基尼指数def gini(p):    return (p)*(1 - (p)) + (1 - p)*(1 - (1-p))#-----计算熵def entropy(p):    return - p*np.log2(p) - (1 - p)*np.log2((1 - p))#-----计算分类误差def classification_error(p):    return 1 - np.max([p, 1 - p])#-----创立一个从0到1的概率值Numpy数组，增量为0.01x = np.arange(0.0, 1.0, 0.01)#---不同p值的熵ent = [entropy(p) if p != 0 else None for p in x]#----取得缩放后的熵sc_ent = [e*0.5 if e else None for e in ent]#--分类谬误err = [classification_error(i) for i in x]#--绘图fig = plt.figure();plt.figure(figsize=(10,8));ax = plt.subplot(111);for i, lab, ls, c, in zip([ent, sc_ent, gini(x), err], ['Entropy', 'Entropy (scaled)','Gini Impurity',                                                        'Misclassification Error'],['-', '-', '--', '-.'],                          ['black', 'darkgray','blue', 'brown', 'cyan']):    line = ax.plot(x, i, label=lab,    linestyle=ls, lw=2, color=c)    ax.legend(loc='upper center', bbox_to_anchor=(0.5, 1.15), ncol=3, fancybox=True, shadow=False)ax.axhline(y=0.5, linewidth=1, color='k', linestyle='--')ax.axhline(y=1.0, linewidth=1, color='k', linestyle='--')plt.ylim([0, 1.1])plt.xlabel('p(i=1)')plt.ylabel('Impurity Index')plt.show()

练习

问题陈说旨在建设一个分类模型来预测红酒的品质。

这是一个典型的多类分类问题。留神，所有的机器学习模型都对异样值敏感，因而在构建树之前，应该解决由异样值组成的特色/独立变量。

不同个性/独立变量的一个重要方面是它们如何相互作用。皮尔逊相干能够用来确定数据集中两个特色之间的关联水平。然而，对于像决策树这样的基于决策的算法，咱们不会抛弃高度相干的变量。

#导入所需的库-%matplotlib inlineimport numpy as npimport pandas as pdfrom sklearn.tree import DecisionTreeClassifierimport numpy as npimport pandas as pdimport seaborn as snssns.set(color_codes=True)from matplotlib import pyplot as pltfrom sklearn.model_selection import train_test_split #分为训练集和测试集from sklearn.tree import DecisionTreeClassifier #构建决策树模型from sklearn import metricsfrom sklearn.metrics import accuracy_score,f1_score,recall_score,precision_score, confusion_matrix #模型验证%matplotlib inlinefrom IPython.display import display #用于在一个输入中显示多个数据帧from sklearn.feature_extraction.text import CountVectorizer  #DT不承受字符串作为模型拟合步骤的输出import missingno as msno_plot #缺失值绘图wine_df = pd.read_csv('winequality-red.csv',sep=';')

数据的疾速描述性统计

wine_df.describe().transpose().round(2)

查看缺失值

#非缺失值的条形图plt.title('#Non-missing Values by Columns')msno_plot.bar(wine_df);

异样值检查和解决

#查看异样值plt.figure(figsize=(15,15))pos = 1for i in wine_df.columns:    plt.subplot(3, 4, pos)    sns.boxplot(wine_df[i])    pos += 1

col_names=['fixed acidity', 'volatile acidity', 'citric acid', 'residual sugar',       'chlorides', 'free sulfur dioxide', 'total sulfur dioxide', 'density',       'pH', 'sulphates', 'alcohol']display(col_names)for i in col_names:    q1, q2, q3 = wine_df[i].quantile([0.25,0.5,0.75])    IQR = q3 - q1    lower_cap=q1-1.5*IQR    upper_cap=q3+1.5*IQR    wine_df[i]=wine_df[i].apply(lambda x: upper_cap if x>(upper_cap) else (lower_cap if x<(lower_cap) else x))

下面的异样值应用Q1–1.5*IQR和Q3+1.5*IQR值进行提取。Q1、Q3和IQR别离代表第一四分位数、第三四分位数和四分位数间的范畴。

sns.pairplot(wine_df);

了解不同变量之间的关系。留神。在决策树中，咱们不须要删除高度相干的变量，因为节点只应用一个独立变量被划分为子节点，因而，即便两个或多个变量高度相干，产生最高信息增益的变量也将用于剖析。

plt.figure(figsize=(10,8))sns.heatmap(wine_df.corr(),            annot=True,            linewidths=.5,            center=0,            cbar=False,            cmap="YlGnBu")plt.show()

分类问题对类别不均衡很敏感。当一个类值所占比例较大时，就会呈现类不均衡。类别均衡是通过将因变量“quality”属性的值组合而产生的。

plt.figure(figsize=(10,8))sns.countplot(wine_df['quality']);

wine_df['quality'] = wine_df['quality'].replace(8,7)wine_df['quality'] = wine_df['quality'].replace(3,5)wine_df['quality'] = wine_df['quality'].replace(4,5)wine_df['quality'].value_counts(normalize=True)

将数据分为训练集和测试集，以查看模型的准确性，并查找是否存在过拟合或欠拟合。

# 将数据合成为训练集和测试集from sklearn.model_selection import train_test_splitX_train, X_test, y_train, y_test =train_test_split(wine_df.drop('quality',axis=1), wine_df['quality'], test_size=.3, random_state=22)X_train.shape,X_test.shape

利用基尼准则建设了决策树模型。请留神，为了简略起见，咱们将树剪枝到最大深度3。这将有助于咱们将树可视化，并将其与咱们在初始局部中探讨的概念分割起来。

clf_pruned = DecisionTreeClassifier(criterion = "gini", random_state = 100,                               max_depth=3, min_samples_leaf=5)clf_pruned.fit(X_train, y_train)

请留神，能够调整以下参数以改良模型输入(Scikit Learn，2019）。

  1. criterion — 应用的度量，例如基尼不纯度
  2. class_weight — None，代表所有类权重为1
  3. max_depth — 3; 剪枝。当“None”示意节点将开展，直到所有叶子都是同构的
  4. max_features — None; 在决定节点的宰割时，要思考所有的特色或自变量
  5. max_leaf_nodes — None;
  6. min_impurity_decrease — 0.0; 只有当宰割确保不纯度的缩小大于或等于零时，节点才被宰割
  7. min_impurity_split — None;
  8. min_samples_leaf — 1;一个叶子存在所需的最小样本数
  9. min_samples_split — 2; 如果min_samples_leaf =1，则示意右节点和左节点应该各有一个样本，即父节点或根节点应该至多有两个样本
  10. splitter — ‘best’; 用于在每个节点抉择宰割的策略。最好确保在决定宰割时思考到所有的特色
from sklearn.tree import export_graphvizfrom sklearn.externals.six import StringIO  from IPython.display import Image  import pydotplusimport graphvizxvar = wine_df.drop('quality', axis=1)feature_cols = xvar.columnsdot_data = StringIO()export_graphviz(clf_pruned, out_file=dot_data,                  filled=True, rounded=True,                special_characters=True,feature_names = feature_cols,class_names=['0','1','2'])from pydot import graph_from_dot_data(graph, ) = graph_from_dot_data(dot_data.getvalue())Image(graph.create_png())

preds_pruned = clf_pruned.predict(X_test)preds_pruned_train = clf_pruned.predict(X_train)print(accuracy_score(y_test,preds_pruned))print(accuracy_score(y_train,preds_pruned_train))

模型对训练数据和测试数据的准确度得分别离为0.60和0.62。

特色重要性是指一类将分数调配给预测模型的输出特色的技术，该技术批示在进行预测时每个特色的绝对重要性。

## 计算特色重要性feat_importance = clf_pruned.tree_.compute_feature_importances(normalize=False)feat_imp_dict = dict(zip(feature_cols, clf_pruned.feature_importances_))feat_imp = pd.DataFrame.from_dict(feat_imp_dict, orient='index')feat_imp.rename(columns = {0:'FeatureImportance'}, inplace = True)feat_imp.sort_values(by=['FeatureImportance'], ascending=False).head()

DecisionTreeClassifier()提供诸如min_samples_leaf和max_depth等参数，以避免树适度拟合。

能够看成是如下场景，在这个场景中，咱们明确定义树的深度和最大叶子数。然而，最大的挑战是如何确定一棵树应该蕴含的最佳深度和叶子。

在下面的例子中，咱们应用max_depth=3，min_samples_leaf=5。这些数字只是用来察看树的行为的示例图。然而，如果在事实中，咱们被要求钻研这个模型并为模型参数找到一个最佳值，这是一个挑战，但并非不可能(决策树模型能够应用GridSearchCV算法进行微调)。

另一种办法是应用老本复杂性剪枝(CCP）。

老本复杂性剪枝为管制树的大小提供了另一种抉择。在DecisionTreeClassifier中，这种剪枝技术是由代价复杂性参数ccp_alpha来参数化的。ccp_alpha值越大，剪枝的节点数就越多。

简略地说，老本复杂性是一个阈值。只有当模型的整体不纯度改善了一个大于该阈值的值时，该模型才会将一个节点进一步拆分为其子节点，否则将进行。

当CCP值较低时，即便不纯度缩小不多，该模型也会将一个节点宰割成子节点。随着树的深度减少，这一点很显著，也就是说，当咱们沿着决策树往下走时，咱们会发现宰割对模型整体不纯度的变动没有太大奉献。然而，更高的宰割保障了类的正确分类，即准确度更高。

当CCP值较低时，会创立更多的节点。节点越高，树的深度也越高。

上面的代码(Scikit Learn)阐明了如何对alpha进行调整，以取得更高精度分数的模型。

path = model_gini.cost_complexity_pruning_path(X_train, y_train)ccp_alphas, impurities = path.ccp_alphas, path.impuritiesfig, ax = plt.subplots(figsize=(16,8));ax.plot(ccp_alphas[:-1], impurities[:-1], marker='o', drawstyle="steps-post");ax.set_xlabel("effective alpha");ax.set_ylabel("total impurity of leaves");ax.set_title("Total Impurity vs effective alpha for training set");

让咱们理解随着alpha的变动深度和节点数的变动。

clfs = clfs[:-1]ccp_alphas = ccp_alphas[:-1]node_counts = [clf.tree_.node_count for clf in clfs]depth = [clf.tree_.max_depth for clf in clfs]fig, ax = plt.subplots(2, 1,figsize=(16,8))ax[0].plot(ccp_alphas, node_counts, marker='o', drawstyle="steps-post")ax[0].set_xlabel("alpha")ax[0].set_ylabel("number of nodes")ax[0].set_title("Number of nodes vs alpha")ax[1].plot(ccp_alphas, depth, marker='o', drawstyle="steps-post")ax[1].set_xlabel("alpha")ax[1].set_ylabel("depth of tree")ax[1].set_title("Depth vs alpha")fig.tight_layout()

理解减少时精度的变动。

fig, ax = plt.subplots(figsize=(16,8)); #设置大小train_scores = [clf.score(X_train, y_train) for clf in clfs]test_scores = [clf.score(X_test, y_test) for clf in clfs]ax.set_xlabel("alpha")ax.set_ylabel("accuracy")ax.set_title("Accuracy vs alpha for training and testing sets")ax.plot(ccp_alphas, train_scores, marker='o', label="train",        drawstyle="steps-post")ax.plot(ccp_alphas, test_scores, marker='o', label="test",        drawstyle="steps-post")ax.legend()plt.show()

i = np.arange(len(ccp_alphas))ccp = pd.DataFrame({'Depth': pd.Series(depth,index=i),'Node' : pd.Series(node_counts, index=i),\                    'ccp' : pd.Series(ccp_alphas, index = i),'train_scores' : pd.Series(train_scores, index = i),                   'test_scores' : pd.Series(test_scores, index = i)})ccp.tail()ccp[ccp['test_scores']==ccp['test_scores'].max()]

下面的代码提供了在测试数据中产生最高精度的成本计算剪枝值。

参考文献

  1. Raschka, S., Julian, D. and Hearty, J. (2016). Python : deeper insights into machine learning : leverage benefits of machine learning techniques using Python : a course in three modules. Birmingham, Uk: Packt Publishing, pp.83, 88, 89.
  2. Scikit-learn: Machine Learning in Python, Pedregosa et al., JMLR 12, pp. 2825–2830, 2011.
  3. Scikit Learn (2019). sklearn.tree.DecisionTreeClassifier — scikit-learn 0.22.1 documentation. [online] Scikit-learn.org. Available at: https://scikit-learn.org/stab...
  4. Scikit Learn (n.d.). Post pruning decision trees with cost complexity pruning. [online] Available at: https://scikit-learn.org/stab...

原文链接：https://towardsdatascience.co...

欢送关注磐创AI博客站：
http://panchuang.net/

sklearn机器学习中文官网文档：
http://sklearn123.com/

欢送关注磐创博客资源汇总站：
http://docs.panchuang.net/