机器学习算法应用篇之决策树算法(sklearn)

从本篇文章开始，我将开始写机器学习算法的一系列文章，总结自己在学习应用机器学习算法过程中的学习经验与方法，主要利用工具是python的机器学习库sklearn。主要包括以下算法：决策树算法(ID3,ID4.5,CART等)，朴素贝叶斯方法(Navie Bayes)，支持向量基(SVM),K均值算法(K-means),PageRank,K近邻方法(KNN),遗传算法，神经网络，主成分分析方法(PCA),流型方法(ISOMAP,LLE),期望最大化方法(EM)等，不定期更新。希望大家一起学习。

1.决策树

决策树算法主要是用于处理多变量决策类问题，类似于这类问题。同样处理多变量问题还有贝叶斯方法，神经网络等。

根据你的年龄，收入，学生与否，信用卡状况来判断你是否会买电脑。根据决策树算法可以得到一棵完整的树，根据树由根节点出发可以得到是否买电脑(label)的预测。
所以决策树的定义可以为： 决策树（decision tree）是一个树结构（可以是二叉树或非二叉树）。其每个非叶节点表示一个特征属性上的测试，每个分支代表这个特征属性在某个值域上的输出，而每个叶节点存放一个类别。使用决策树进行决策的过程就是从根节点开始，测试待分类项中相应的特征属性，并按照其值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果。

2.算法

(1)ID3算法
ID3算法的核心思想就是以信息增益度量属性选择，选择分裂后信息增益最大的属性进行分裂。
(2)C4.5算法
ID3算法存在一个问题，就是偏向于多值属性，例如，如果存在唯一标识属性ID，则ID3会选择它作为分裂属性，这样虽然使得划分充分纯净，但这种划分对分类几乎毫无用处。ID3的后继算法C4.5使用增益率（gain ratio）的信息增益扩充，试图克服这个偏倚。
(3)CART算法
CART(Classification And Regression Tree)算法采用一种二分递归分割的技术，将当前的样本集分为两个子样本集，使得生成的的每个非叶子节点都有两个分支。因此，CART算法生成的决策树是结构简洁的二叉树。CART树是采用了不纯度的概念。
具体的算法介绍可以参考书或者以下几篇文章
https://www.cnblogs.com/leoo2sk/archive/2010/09/19/decision-tree.html
http://blog.csdn.net/hewei0241/article/details/8280490

3.应用（sklearn）

1.读取数据

df_data_1 = pd.read_csv("data_file")

2.数据前处理（定义X,Y数据集）

df_data_1 = df_data_1.fillna("NA")#缺省数据用NA表示
exc_cols = [u'Airport Rating']
cols = [c for c in df_data_1.columns if c not in exc_cols]

X_data = df_data_1.ix[:,cols]
y_data = df_data_1[u'Airport Rating'].values[:]
#X_train1 = df_data_1.ix[:,['Airport Wi Fi Use','Boarding Area','Gender','Country','Signage Rating']]
print y_data.shape
print X_data.shape
dict_X_train = X_data.to_dict(orient='records')#列表转换为字典

3.导入模型(主要使用的sklearn中的tree(建立决策树模型)，DictVectorizer(将文本向量化)，processing(label的向量化))

import numpy as np
import pandas as pd
from sklearn import tree
from sklearn.feature_extraction import DictVectorizer
from sklearn import preprocessing

4.测试集、数据集、one-hot

vec = DictVectorizer()
X_data = vec.fit_transform(dict_X_train).toarray()

X_train = X_data[:1300,:]
X_test = X_data[1300:,:]
y_train = y_data[:1300]
y_test = y_data[1300:]
print X_train.shape
print X_test.shape
lb = preprocessing.MultiLabelBinarizer()
dict_y_train = lb.fit_transform(y_train)

5.建立CART树(criterion有’gini’和’entropy’两种建树规则)
tree 函数：

class sklearn.tree.DecisionTreeClassifier(criterion=’gini’,
splitter=’best’, max_depth=None,
min_samples_split=2,min_samples_leaf=1, min_weight_fraction_leaf=0.0,
max_features=None, random_state=None,
max_leaf_nodes=None,min_impurity_split=1e-07, class_weight=None,
presort=False)
http://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html

其中比较重要的参数：

• criterion ：规定了该决策树所采用的的最佳分割属性的判决方法，有两种：“gini”，“entropy”。 gini值表示采用了CART树的规则，即不纯度来作为树结构的指标，而entropy则表示选择C3树的规则，即信息增益来作为树结构产生的标准。
• max_depth：限定了决策树的最大深度，防止过拟合
• min_samples_leaf：限定了叶子节点包含的最小样本数，这个属性对于防止数据碎片问题很有作用。

fit函数中一些重要的属性：

• n_classes_ ：决策树中的类数量。
• classes_ ：返回决策树中的所有种类标签。
• feature_importances_：feature的重要性，值越大那么越重要。
• fit(X, y, sample_mask=None, X_argsorted=None,
  check_input=True, sample_weight=None)

将数据集x，和标签集y送入分类器进行训练，这里要注意一个参数是：sample_weright，它和样本的数量一样长，所携带的是每个样本的权重。
决策树模型的一些重要属性方法：

• get_params(deep=True) ：得到决策树的各个参数。
• set_params(**params) ：调整决策树的各个参数。
• predict(X) ：送入样本X，得到决策树的预测。可以同时送入多个样本。
• transform(X, threshold=None) ：返回X的较重要的一些feature，相当于裁剪数据。
• score(X, y, sample_weight=None) ：返回在数据集X,y上的测试分数，正确率。

使用建议：
当我们数据中的feature较多时，一定要有足够的数据量来支撑我们的算法，不然的话很容易overfitting 。

• PCA是一种避免高维数据overfitting的办法。从一棵较小的树开始探索，用export方法打印出来看看。
• 善用max_depth参数，缓慢的增加并测试模型，找出最好的那个depth。
• 善用min_samples_split和min_samples_leaf参数来控制叶子节点的样本数量，防止overfitting。
  平衡训练数据中的各个种类的数据，防止一个种类的数据dominate。
  以上引用自：http://blog.csdn.net/cherdw/article/details/54928619

clf = tree.DecisionTreeClassifier(criterion='gini')
clf = clf.fit(X_train,y_train)
with open("allElectronicInformationGainOri.dot", 'w') as f:#生成树
    f = tree.export_graphviz(clf, feature_names = vec.get_feature_names(), out_file = f)

6.决策树可视化

! pip install pydotplus
from IPython.display import Image  
dot_data = StringIO()
tree.export_graphviz(clf,
                        out_file=dot_data,
                        feature_names=vec.get_feature_names(),
                        filled=True,rounded=True,
                        impurity=False) 
graph = pydotplus.graph_from_dot_data(dot_data.getvalue())  
Image(graph.create_png()) 

从可视化的决策树中可以看到根据划分的变量为petal length或者petal width,样本总数数是多少，分类的类型是哪个class,一共有setoss，versicolor,viginica三个类别，每个有50个例子，gini值是多少，也就是不纯度是多少，在叶子节点上不纯度一般均是0.第一次分类依据是petal length的大小，当其值小于2.45时，那么它的类别一定是setoss，然后根据petal width<1.75并且petal length<=4.95则是versicolor的可能性比较大，根据petal length<=4.85，则viginica的可能性大，依次向下判断，最后得到不纯度为0，则到达叶子节点。
关于决策树可视化的介绍可以参见：http://scikit-learn.org/stable/modules/tree.html

7.测试

predictedY = clf.score(X_test,y_test)
print str(predictedY)

最近，google上线了机器学习的中文课程，第一节就是关于决策树算法的机器学习入门课程，欢迎大家一起学习。https://ai.google/education/#?modal_active=none