欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

非线性分类和决策树(scikit-learn 机器学习)

程序员文章站 2023-12-09 19:10:03
文章目录本文为 scikit-learn机器学习(第2版)学习笔记...


本文为 scikit-learn机器学习(第2版)学习笔记

相关知识:《统计学习方法》决策树(Decision Tree,DT)

1. 特征选择标准

  • 信息增益,得知特征X的信息而使得类Y的信息的不确定性减少的程度。
  • 信息增益比,信息增益的占比,选择大的特征
  • 基尼系数,表示经特征 A 分割后集合 D 的不确定性,选择基尼系数小的特征

2. 网页广告预测

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
from sklearn.pipeline import Pipeline
from sklearn.model_selection import GridSearchCV

df = pd.read_csv('./ad.data', header=None)
df.head(10)

非线性分类和决策树(scikit-learn 机器学习)
数据前3列为广告图片的宽高、长宽比,余下特征为文字变量出现频率的编码特征
最后一列为标签列,是否为广告

2.1 数量处理

  • 分离标签
y = df[len(df.columns)-1]
y
0          ad.
1          ad.
2          ad.
3          ad.
4          ad.
         ...  
3274    nonad.
3275    nonad.
3276    nonad.
3277    nonad.
3278    nonad.
Name: 1558, Length: 3279, dtype: object
y = [1 if e == 'ad.' else 0 for e in y]
  • 特征提取
X = df.drop(df.columns[len(df.columns)-1], axis=1)
X

非线性分类和决策树(scikit-learn 机器学习)

  • 填补无效数据
X.replace(to_replace=' *\?', value=-1,regex=True,inplace=True)
X

非线性分类和决策树(scikit-learn 机器学习)

2.2 网格搜索模型参数

X_train, X_test, y_train, y_test = train_test_split(X, y)

pipeline = Pipeline([
    ('clf', DecisionTreeClassifier(criterion='entropy'))
])
parameters = {
    'clf__max_depth': (150, 155, 160),
    'clf__min_samples_split': (2, 3),
    'clf__min_samples_leaf': (1, 2, 3)
}

grid_search = GridSearchCV(pipeline, parameters, n_jobs=-1, verbose=1, scoring='f1')
grid_search.fit(X_train, y_train)

best_parameters = grid_search.best_estimator_.get_params()
print('Best score: %0.3f' % grid_search.best_score_)
print('Best parameters set:')
for param_name in sorted(parameters.keys()):
    print('t%s: %r' % (param_name, best_parameters[param_name]))

predictions = grid_search.predict(X_test)
print(classification_report(y_test, predictions))
Best score: 0.890
Best parameters set:
tclf__max_depth: 155
tclf__min_samples_leaf: 2
tclf__min_samples_split: 2
              precision    recall  f1-score   support

           0       0.97      0.99      0.98       716
           1       0.94      0.82      0.88       104

    accuracy                           0.97       820
   macro avg       0.96      0.91      0.93       820
weighted avg       0.97      0.97      0.97       820

看见广告类1的,精准率和召回率都还不错。

3. 决策树优缺点

优点:

  • 不要求对数据进行标准化
  • 可以进行多元分类而无需使用OvO,OvA等策略

缺点:

  • 更容易过拟合,需要剪枝(设置树的最大深度、节点实例数量超过阈值才建立子节点)
  • 本质上是贪心算法,不保证全局最优

本文地址:https://blog.csdn.net/qq_21201267/article/details/107053535