首页 > 学院 > 开发设计 > 正文

Decision Tree

2019-11-14 08:56:11
字体:
来源:转载
供稿:网友

Decision Tree Classifier

Decision Tree Classifier

from sklearn.tree import DecisionTreeClassifier as DTCy = df.targetX = df.featuresdtc = DTC(criterion='entropy', mim_samples_slit=20, random_state=90)dtc.fit(X, y)

official example

from sklearn.datasets import load_irisfrom sklearn.model_selection import cross_val_scorefrom sklearn.tree import DecisionTreeClassifierclf = DecisionTreeClassifier(random_state=0)iris = load_iris()cross_val_score(clf, iris.data, iris.target, cv=10)

Visualizing the tree

article

in advance you should install Graphviz

from sklearn.tree import export_graphvizdef visualize_tree(tree, feature_names): """Create tree png using graphviz. Args ---- tree -- scikit-learn DecsisionTree. feature_names -- list of feature names. usage --- features = X.columns visualize_tree(dtc, features) """ with open("dt.dot", 'w') as f: export_graphviz(tree, out_file=f, feature_names=feature_names) #generate png command = ["dot", "-Tpng", "dt.dot", "-o", "dt.png"] #or pdf #command = ["dot", "-Tpdf", "dt.dot", "-o", "dt.pdf"] try: subPRocess.check_call(command) except: exit("Could not run dot, ie graphviz, to " "produce visualization") #open image from PIL import Image im = Image.open("od.png") im.show()

Decision Tree Regression

example

DecisionTreeRegressor

Decision Tree Regression with AdaBoost

from sklearn.tree import DecisionTreeRegressorregr = DecisionTreeRegressor(max_depth=2)regr.fit(X, y)y_predict = regr_1.predict(X_test)

ID3 (Iterative Dichotomiser)

属性集合A={a1,a2,…,am} 如{身高,体重,是否近视}

样本集合D={(x1;y1),(x2;y2),…,(xm;ym)} 如{(身高175,体重63,近视1;不符合应聘要求0),…}

根据某属性a的划分D1,D2,…

informathin entropy

Ent(D)=−∑k=1|m|pklog2pk

pk是每类样本占当前样本集合D中的比例

Ent越小纯度越高

决策树根节点的D包含所有样本,如果y只有0,1两个取值,正3个负2个,则 Ent(D)=−(25log225+35log235)

information gain

根据某属性a划分得到Dv(v=1,2,…,V) Gain(D,a)=Ent(D)−∑v=1V|Dv||D|Ent(Dv)

Gain越大划分得到的纯度提升越高

example

假设有A = {行为习惯,饮食偏好, 体育运动}三个属性,判断是否会得某种病。

总共6个得病9个不得

行为习惯 得病 不得病 得病占该习惯总数比例 该行为习惯占总人数的比例
抽烟 1 5 1/6 6/15
喝酒 2 3 2/5 5/15
吸毒 3 1 3/4 4/15

Ent(D)=−(615log265+95log295) 根据行为习惯划分出抽烟,喝酒,吸毒三个子集D1,D2,D3 Ent(D1)=−(16log216+56log256)Ent(D2),Ent(D3)同理

Gain(D,行为习惯)=Ent(D)−(615Ent(D1)+515Ent(D2)+415Ent(D3))

之后再算Gain(D,饮食偏好)

假设Gain(D,行为习惯)>Gain(D,饮食偏好)>Gain(D,体育运动)

那么分别取D1,D2,D3为新的D,剩下的属性为A={饮食偏好,体育运动} ,进行迭代算Gain(D,饮食偏好)Gain(D,体育运动)

C4.5

基于增益率(gain ratio)减少ID3偏好可取数目多带来的影响。

剪枝

预剪枝

划分训练集和测试集。

如果使用某一划分,算出验证集精度。

如果停止划分采用样本中占多数的结果作为该分支结果,计算精度。

如果停止划分精度反而更高则停止划分。

后剪枝

从完整的决策树的倒数第二个节点开始。

如果剪掉倒数第一个节点精度提高则剪掉。

依次往上类推

连续数据

采用二分法划分,既划分成≤t>t, t取遍两个相邻离散数据的平均值然后找出信息熵增Gain最小的。

缺失值处理

先算出对该属性而言无缺失值的Entropy, 然后计算出对该属性而言无缺失值的Gain。

然后乘上无缺失值样本所占比例ρ最终的Gain。

多变量决策树(multivariate decision tree)

使用斜线来划分多变量。

既用多变量的线性组合W⋅Attribtes≤t? 来划分。


发表评论 共有条评论
用户名: 密码:
验证码: 匿名发表