机器学习#决策树

决策树

信息熵

单位比特：
代表的含义：信息熵 越大，不确定信越大，信息熵越好越稳定

信息增益：当知道一个特征条件后，减少信息熵的大小

特征A对训练集D的信息增益g(D,A),定义集合D的信息熵H(D)
与特征A给定的条件下D的信息条件熵H(D|A)
g(D,A)=H(D)-H(D|A)

注： H(D) 初始信息熵大小，每个概率相乘
注：信息增益越大，所选特征最有特征

例：图片

决策树分类依据：

1. ID3，信息增益，最大准则
2. C4.5 信息增益比，最大准则
3. CART: 回归树：平方误差，最小
   分类树，基尼系数，最小准则，在sklearn中默认的准则

from sklearn.model_selection import train_test_split
from sklearn.feature_extraction import DictVectorizer
from sklearn.tree import DecisionTreeClassifier
import pandas as pd

def decision():
    """
    决策树对泰坦尼克号进行预测生死
    :return: None
    """
    # 读取数据
    titan = pd.read_csv("./bate/titanic.txt")

    # 处理数据，找特征值，目标值
    x = titan[['pclass', 'age', 'sex']]
    y = titan['survived']

    # 处理缺失值-------------处理方式，空的地方填入本列的平均值

    x['age'].fillna(x['age'].mean(), inplace=True)  # inplce=True 替换空置

    # print(x)
    # 分割数据到训练集
    x_train, x_test,y_train, y_test, = train_test_split(x, y, test_size=0.25)

    # 进行处理（特征工程），特征中是类别的信息，用one_hot编码
    dict = DictVectorizer(sparse=False)  # 转换成字典类型
    # 讲数据放到字典里，然后一个个排好
    # pd转换字典，特征抽取
    # x_train.to_dict(orient="records")
    x_train = dict.fit_transform(x_train.to_dict(orient="records"))

    x_test = dict.transform(x_test.to_dict(orient="records"))

    print(x_train)
    # 用决策树进行测试
    dec = DecisionTreeClassifier()
    dec.fit(x_train, y_train)

    # 预测准确率
    print("准确率：",dec.score(x_test,y_test))
    return None


if __name__ == "__main__":
    decision()

集成学习方法----随机森林

集成学习通过建立几个模型组合的来解决单一预测问题。它的工作原理是生成多个分类器 / 模型，各自独立地学习和作出预测。这些预测最后结合成单预测，因此优于任何一个单分类的做出预测。

定义：在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。

• class.sklearn.ensemble.RandomForestClassifier(n_estimators=10,criterion=’gini’, max_depth=None, bootstrap=True, random_state=None)
• 随机森林分类器
• n_estimators：integer，optional（default = 10） 森林里的树木数量(一般的是120，200，300，500，800，1200)
• max_depth：integer或None，可选（默认=无）树的最大深度
• bootstrap：boolean，optional（default = True）是否在构建树时使用放回抽样

例子

from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.feature_extraction import DictVectorizer
from sklearn.ensemble import RandomForestClassifier
import pandas as pd


def decision():
    """
    决策树对泰坦尼克号进行预测生死
    :return: None
    """
    # 读取数据
    titan = pd.read_csv("./bate/titanic.txt")

    # 处理数据，找特征值，目标值
    x = titan[['pclass', 'age', 'sex']]
    y = titan['survived']

    # 处理缺失值-------------处理方式，空的地方填入本列的平均值

    x['age'].fillna(x['age'].mean(), inplace=True)  # inplce=True 替换空置

    # print(x)
    # 分割数据到训练集
    x_train, x_test,y_train, y_test, = train_test_split(x, y, test_size=0.25)

    # 进行处理（特征工程），特征中是类别的信息，用one_hot编码
    dict = DictVectorizer(sparse=False)  # 转换成字典类型
    # 讲数据放到字典里，然后一个个排好
    # pd转换字典，特征抽取
    # x_train.to_dict(orient="records")
    x_train = dict.fit_transform(x_train.to_dict(orient="records"))

    x_test = dict.transform(x_test.to_dict(orient="records"))

    # print(x_train)
    # # 用决策树进行测试
    #     # dec = DecisionTreeClassifier()
    #     # dec.fit(x_train, y_train)
    #     #
    #     # # 预测准确率
    #     # print("准确率：",dec.score(x_test,y_test))
    #     #
    #     # # 导出决策树的结构
    #     # export_graphviz(dec, out_file='./tree.dot')

    # 随机森林进行预测（超参数调优）
    rf = RandomForestClassifier()

    param = {'n_estimators':[120,200,300, 500, 800, 1200], "max_depth":[5, 8, 15, 25, 30]}
    # 网格搜索和交叉验证
    gc = GridSearchCV(rf, param_grid=param, cv=2)

    gc.fit(x_train, y_train)

    print("准确率为",gc.score(x_test,y_test))
    print('查看选择的模型：',gc.best_params_)

    return None


if __name__ == "__main__":
    decision()