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

机器学习——决策树与随机森林

程序员文章站 2022-05-02 18:58:04
...

机器学习——决策树与随机森林

1.决策树的主要元素:根节点、内部节点、叶节点。其中根节点聚集了所有的样本,内部节点表示根据某个特征进行分类,叶节点根据节点内样本数最多的那一类作为输出。

2.决策树的主要处理方式:根据信息增益、信息增益率或者基尼系数这三个指标来选取局部最优的分类特征。

3.决策树由于是递归过程,所以会出现过拟合现象。需要通过剪枝来使得模型的泛化能力增强。

4.决策树主要形式有分类决策树、回归决策树,针对因变量是分类型变量还是连续型变量。

决策树的主要三个算法,主要的区别在于选择特征的标准。
1. ID3算法 (信息增益)
2. C4,5算法 (信息增益率)
3. CART算法 (基尼系数)

信息增益的理论知识:
1.信息熵
2.条件熵
3.互信息
机器学习——决策树与随机森林

机器学习——决策树与随机森林

机器学习——决策树与随机森林

ID3就是通过对所有特征进行信息增益(互信息)的比较,选择使得信息增益最大的变量作为分类特征。

以上是理论指标的定义,在实际样本中,有经验熵,经验条件熵的定义。
经验熵:设样本为D,样本中有K类,每一类的样本量为Ck。

经验熵
机器学习——决策树与随机森林

经验条件熵
根据特征进行分类后,特征有n个水平,将样本分为n个部分,其中每一个部分属于K类的样本有Cik个。
机器学习——决策树与随机森林
ID3
经验熵与条件经验熵做差就得到了信息增益(互信息),根据信息增益的大小选择特征作为分类。并且递归的处理下去就会得到一整颗决策树。

C4,5
C4,5算法与ID3不同之处在于,算法使用了信息增益率代替了信息增益,信息增益偏向于选择属性很多的作为特征,会使得决策树变得很庞大,导致过拟合。当使用信息增益率后,可以有效限制选择属性过多的特征来建立决策树,一定程度上防止过拟合。当A属性过多时,
机器学习——决策树与随机森林

CART
CART算法简称为分类与回归树,选择特征的标准通过基尼系数实现。

机器学习——决策树与随机森林
分类误差率的实现

import numpy as np  
from matplotlib import pyplot as plt  

p=np.linspace(0.001,1,100,endpoint=False)  
gini=2*p*(1-p)  
ent=-(p*np.log2(p)+(1-p)*np.log2(1-p))/2  
error=1-np.max(np.vstack((p,1-p)),0)  
plt.plot(p,gini,'r-',label='Gini')  
plt.plot(p,ent,'b-',label='Entropy')  
plt.plot(p,error,'g-',label='Error')  
plt.legend(loc='upper right')  
plt.show()  

机器学习——决策树与随机森林

鸢尾花数据集python通过决策树实践

import numpy as np  
from sklearn.tree import DecisionTreeClassifier  
from sklearn.model_selection import train_test_split  
from sklearn import datasets  
from sklearn.pipeline import Pipeline

#读取数据,划分训练集和测试集  
iris=datasets.load_iris()  
x=iris.data[:,:2]  
y=iris.target  
x_train, x_test, y_train, y_test = train_test_split(x, y, train_size=0.7, random_state=1)  
#模型训练  
# model=DecisionTreeClassifier(max_depth=3)  
# model=model.fit(x_train,y_train)  
model = Pipeline([('ss',StandarScaler()),('DCT',DecisionTreeClassifier(criterion='entropy', max_depth=3)
])
model = model.fit(x_train,y_train)
y_test_hat=model.predict(x_test)  
res=y_test==y_test_hat  
acc=np.mean(res)  
print '训练集上的正确率是%.2f%%'%(acc*100)