01-18 10:06 阅读 216

Python机器学习应用之决策树分类实例详解

决策树(Decision Tree)是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法

一、数据集

小企鹅数据集，提取码：1234

该数据集一共包含8个变量，其中7个特征变量，1个目标分类变量。共有150个样本，目标变量为企鹅的类别其都属于企鹅类的三个亚属，分别是(Adélie, Chinstrap and Gentoo)。包含的三种种企鹅的七个特征，分别是所在岛屿，嘴巴长度，嘴巴深度，脚蹼长度，身体体积，性别以及年龄。

二、实现过程

1 数据特征分析

##  基础函数库

import numpy as np 

import pandas as pd

## 绘图函数库

import matplotlib.pyplot as plt

import seaborn as sns

#%%读入数据

#利用Pandas自带的read_csv函数读取并转化为DataFrame格式

data = pd.read_csv('D:\Python\ML\data\penguins_raw.csv')

#我选取了四个简单的特征进行研究

data = data[['Species','Culmen Length (mm)','Culmen Depth (mm)',

            'Flipper Length (mm)','Body Mass (g)']]

data.info()

#查看数据

print(data.head())

#发现数据中存在的NAN，缺失值此处使用-1将缺失值进行填充

data=data.fillna(-1)

print(data.tail())

#查看对应标签

print(data['Species'].unique())

#统计每个类别的数量

print(pd.Series(data['Species']).value_counts())

#对特征进行统一描述

print(data.describe())

#可视化描述

sns.pairplot(data=data,diag_kind='hist',hue='Species')

plt.show()

#%%为了方便处理，将标签数字化

# 'Adelie Penguin (Pygoscelis adeliae)'        ------0

#  'Gentoo penguin (Pygoscelis papua)'          ------1

#  'Chinstrap penguin (Pygoscelis antarctica)   ------2 

def trans(x):

    if x == data['Species'].unique()[0]:

        return 0

    if x == data['Species'].unique()[1]:

        return 1

    if x == data['Species'].unique()[2]:

        return 2

data['Species'] = data['Species'].apply(trans)

#利用箱图得到不同类别在不同特征上的分布差异

for col in data.columns:

    if col != 'Species':

        sns.boxplot(x='Species', y=col, saturation=0.5, palette='pastel', data=data)

        plt.title(col)

        plt.show()

        plt.figure()

#%%选取species，culmen_length和culmen_depth三个特征绘制三维散点图

from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure(figsize=(10,8))

ax = fig.add_subplot(111, projection='3d')

data_class0 = data[data['Species']==0].values

data_class1 = data[data['Species']==1].values

data_class2 = data[data['Species']==2].values

# 'setosa'(0), 'versicolor'(1), 'virginica'(2)

ax.scatter(data_class0[:,0], data_class0[:,1], data_class0[:,2],label=data['Species'].unique()[0])

ax.scatter(data_class1[:,0], data_class1[:,1], data_class1[:,2],label=data['Species'].unique()[1])

ax.scatter(data_class2[:,0], data_class2[:,1], data_class2[:,2],label=data['Species'].unique()[2])

plt.legend()

plt.show()

运行结果

2 利用决策树模型在二分类上进行训练和预测

#%%利用决策树模型在二分类上进行训练和预测——选取0和1两类样本，样本选取其中的四个特征

## 为了正确评估模型性能，将数据划分为训练集和测试集，并在训练集上训练模型，在测试集上验证模型性能。

from sklearn.model_selection import train_test_split

data_target_part = data[data['Species'].isin([0,1])][['Species']]

data_features_part = data[data['Species'].isin([0,1])][['Culmen Length (mm)','Culmen Depth (mm)',

            'Flipper Length (mm)','Body Mass (g)']]

## 测试集大小为20%， 80%/20%分

x_train, x_test, y_train, y_test = train_test_split(

    data_features_part, data_target_part, test_size = 0.2, random_state = 2020)

## 从sklearn中导入决策树模型

from sklearn.tree import DecisionTreeClassifier

from sklearn import tree

## 定义 决策树模型 

clf = DecisionTreeClassifier(criterion='entropy')

# 在训练集上训练决策树模型

clf.fit(x_train, y_train)

#%% 可视化决策树

import pydotplus

dot_data = tree.export_graphviz(clf, out_file=None)

graph = pydotplus.graph_from_dot_data(dot_data)

graph.write_png("D:\Python\ML\DTpraTree.png") 

#%% 在训练集和测试集上利用训练好的模型进行预测

train_predict = clf.predict(x_train)

test_predict = clf.predict(x_test)

from sklearn import metrics

## 利用accuracy（准确度）【预测正确的样本数目占总预测样本数目的比例】评估模型效果

print('The accuracy of the train_DecisionTree is:',metrics.accuracy_score(y_train,train_predict))

print('The accuracy of the test_DecisionTree is:',metrics.accuracy_score(y_test,test_predict))

## 查看混淆矩阵 (预测值和真实值的各类情况统计矩阵)

confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)

print('The confusion matrix result:\n',confusion_matrix_result)

# 利用热力图对于结果进行可视化

plt.figure(figsize=(8, 6))

sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')

plt.xlabel('Predicted labels')

plt.ylabel('True labels')

plt.show()

运行结果

3 利用决策树模型在多分类（三分类）上进行训练与预测

#%%利用决策树在多分类（三分类）上进行训练和预测

## 测试集大小为20%， 80%/20%分

x_train, x_test, y_train, y_test = train_test_split(data[['Culmen Length (mm)','Culmen Depth (mm)',

            'Flipper Length (mm)','Body Mass (g)']], data[['Species']], test_size = 0.2, random_state = 2020)

## 定义 决策树模型 

clf = DecisionTreeClassifier()

# 在训练集上训练决策树模型

clf.fit(x_train, y_train)

## 在训练集和测试集上分布利用训练好的模型进行预测

train_predict = clf.predict(x_train)

test_predict = clf.predict(x_test)

train_predict_proba = clf.predict_proba(x_train)

test_predict_proba = clf.predict_proba(x_test)

print('The test predict Probability of each class:\n',test_predict_proba)

## 其中第一列代表预测为0类的概率，第二列代表预测为1类的概率，第三列代表预测为2类的概率。

## 利用accuracy（准确度）【预测正确的样本数目占总预测样本数目的比例】评估模型效果

print('The accuracy of the train_DecisionTree is:',metrics.accuracy_score(y_train,train_predict))

print('The accuracy of the test_DecisionTree is:',metrics.accuracy_score(y_test,test_predict))

## 查看混淆矩阵 (预测值和真实值的各类情况统计矩阵)

confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)

print('The confusion matrix result:\n',confusion_matrix_result)

# 利用热力图对于结果进行可视化

plt.figure(figsize=(8, 6))

sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')

plt.xlabel('Predicted labels')

plt.ylabel('True labels')

plt.show()

运行结果

三、KEYS

1 构建过程

决策树的构建过程是一个递归的过程，函数存在三种返回状态：

当前节点包含的样本全部属于同一类别，无需继续划分
当前属性集为空或者所有样本在某个属性上的取值相同，无法继续划分
当前节点包含的样本几何为空，无法划分

2 划分选择

决策树构建的关键是从特征集中选择最优划分属性，一般大家希望决策树每次划分节点中包含的样本尽量属于同一类别，也就是节点的“纯度”最高

信息熵：衡量数据混乱程度的指标，信息熵越小，数据的“纯度”越高
基尼指数：反应了从数据集中随机抽取两个类别的标记不一致的概率

3 重要参数

criterion：用来决定模型特征选择的计算方法，sklearn提供两种方法：

entropy：使用信息熵

gini：使用基尼系数

random_state&splitte：

random_state用于设置分支的随机模式的参数

splitter用来控制决策树中的随机选项

max_depth：限制数的深度
min_samples_leaf：一个节点在分支之后的每个子节点都必须包含至少几个训练样本。该参数设置太小，会出现过拟合现象，设置太大会阻止模型学习数据

886~~

到此这篇关于Python机器学习应用之决策树分类实例详解的文章就介绍到这了

原文链接：https://blog.csdn.net/qq_43368987/article/details/122376146?spm=1001.2014.3001.5501

Python机器学习应用之决策树分类实例详解

目录

一、数据集

二、实现过程

1 数据特征分析

2 利用决策树模型在二分类上进行训练和预测

3 利用决策树模型在多分类（三分类）上进行训练与预测

三、KEYS

1 构建过程

2 划分选择

3 重要参数