写在前面的话
本篇是决策树算法的项目实战
如果你还不知道决策树算法，你可以选择和韩梅梅同学一起边相亲边学习决策树（手动狗头）：
因为前面已经有了本次项目的数据分析部分，其实主要是数据清洗和可视化探索。
所以我们就直接接着往下了，数据分析部分错过的同学花几分钟补一下课
列一下我们的整个流程，大家心里也有个准备
- 数据清洗
- 可视化探索
- 特征工程
- 模型训练
- 模型调参
3,2,1 开始
可能大家有点忘记我们现在的数据，先来看一下：
总共有19个列，在原有的基础上已经新增了7列数据
再来看具体的数据字段：
前891条数据是训练集数据，剩余的为测试集数据
一共19个字段，其中很多字段是我们处理过后的
准备好了吗，开始特征工程了
特征工程
小一哥，特征工程听起来很高大上，具体是干什么的呢？
特征工程的目标是将数据处理成模型所需要的，然后直接在模型训练的时候丢进去
另外特征工程也需要对数据进行相应的转换，以调高模型的泛化能力
哦豁，听着好像还挺麻烦？
比前面的清洗工作简单很多，毕竟我们已经掌握了数据的基本特征
对对对，最麻烦的已经过去了，那特征工程具体都包括哪些操作呢？
一般的特征处理包括：无量纲化、特征独热编码，以及连续数据变离散等操作。
不能眼高手低，一起来实战一下
无量纲化
无量纲化使不同规格的数据转换到同一规格，常见的无量纲化方法有标准化和区间缩放法。
标准化的前提是特征值服从正态分布，标准化后，其转换成标准正态分布。
区间缩放法利用了边界值信息，将特征的取值区间缩放到某个特点的范围，例如[0, 1]等。
在目前的数据集中，连续数据有乘客票价和年龄，票价分布很不均匀我们已经知道，需要进行标准化
"""进行特征标准化"""
scaler = preprocessing.StandardScaler()
# 对超高票价进行重新赋值
df_data.loc[df_data['Fare'] > 300, 'Fare'] = 300
# 对票价进行标准化
fare_slale_parm = scaler.fit(df_data[['Fare']])
df_data['Fare_scaled'] = scaler.fit_transform(df_data['Fare'].values.reshape(-1, 1), fare_slale_parm)连续数据离散化
还有一个连续型数据是乘客年龄，上节我们知道了此次事件中儿童定义是15岁，所以我们大可将乘客分为儿童，青年和老年
考虑到老年人存活的比例并不明显，小一将青年分为青年女士和青年男士
还有乘客的姓名长度、家庭成员数是我们后面衍生出来的连续性特征，同样的道理，将其连续化
姓名长度可以通过分段来处理，例如长度为0-20,20-30等家庭成员数可以通过人数来分段
家庭成员数的分段标准是上一节可视化中家庭成员数，根据不同成员数的存活程度进行分布
# 对Namelen 字段进行处理
df_data['Namelen'] = pd.cut(df_data['Namelen'], bins=[0, 20, 30, 40, 50, 100], labels=[0, 1, 2, 3, 4])
# 对Numbers 字段进行处理,分别为一个人、两个人、三个人和多个人
df_data['Numbers'] = pd.cut(df_data[''], bins=[0, 1, 2, 3, 20], labels=[0, 1, 2, 3])独热编码
这个操作很有必要，大家注意看
在计算机中需要计算不同特征之间的尺度，例如性别中的male和female，计算机是无法直接计算两个特征，但是你如果将male表示1，female表示2，下次计算机遇到了就会直接用2-1=1表示距离
这样做的好处是计算机可以识别，并且可以快速的计算
在我们的字段中，乘客性别、船舱等级、客舱是否为空还有刚才的年龄标识都需要进行独热编码
"""进行特征编码"""
for feature in ['Sex', 'Embarked', 'CabinType', 'AgeType', ]:
le = preprocessing.LabelEncoder()
le.fit(df_data[feature])
df_data[feature] = le.transform(df_data[feature])特征工程暂时就这些，还记得上节末尾的小问题吗？
可视化显示明明Age 和Numbers 对结果影响很大，这里怎么得分这么低？
我们在特征工程之后用同样的代码再比较一下
果然，融合后的Numbers特征是优于任一个的，年龄分段后重要度也提升了
没什么问题之后，我们取出相应的数据就可以开始建模了
现在的数据长这样，一起康康
模型训练
在Python中，基本常用的算法都在sklearn 包里面。
我们直接两行代码调用
# 决策树模型
from sklearn.tree import DecisionTreeClassifier
clf = DecisionTreeClassifier(criterion='entropy')这里的clf 就是我们建立的决策树模型，我们只需要将数据放在模型中进行训练即可
需要注意的是我们前面一直是针对测试集和训练集的整个数据，这里需要进行分类
利用训练集训练模型，利用测试集输出测试结果
"""分离训练集和测试集"""
train_data = df_data[df_data['Survived'].notnull()].drop(['PassengerId'], axis=1)
test_data = df_data[df_data['Survived'].isnull()].drop(['Survived'], axis=1)
# 分离训练集特征和标签
y = train_data['Survived']
X = train_data.drop(['Survived'], axis=1)直接通过k 折交叉验证检查一下模型的准确率
接近80%，这只是我们的一个基础模型，我们并没有进行任何的参数设置
你可以看到，在创建模型的时候，我们并没有设置参数，只是选用了信息增益算法进行节点划分，仅此而已
那，还能不能再次提升准确率呢？
往下看就是了，暖男都给你们准备好了
模型调参
想一想，模型调参的目的是什么？
嗯，是剪枝，通过设置相应的参数达到剪枝的目的，这里的剪枝指的是预剪枝
知己知彼才能百战不殆，先了解一下参数的意义
这个是sklearn 中决策树的参数对应表
在应用过程中，我们可以通过设置一个字典提前声明参数的范围
# 设置参数
parameters = {
'criterion': ['gini', 'entropy'],
'max_depth': range(2, 10),
'min_impurity_decrease': np.linspace(0, 1, 10),
'min_samples_split': range(2, 30, 2),
'class_weight': ['balanced', None]
}sklearn中提供了网格搜索的方法，供我们寻找最优参数
在搜索过程中，我们设置了5折交叉验证，以保证预测结果的稳定性
"""通过网格搜索寻找最优参数"""
gird_clf = GridSearchCV(DecisionTreeClassifier(), parameters, cv=5, return_train_score=True)
# 模型训练
gird_clf.fit(X, y)
# 结果预测
pred_labels = gird_clf.predict(test_data.drop(['PassengerId'], axis=1))在进行调参之后，模型的准确率提高了，并且相应的参数我们也可以看到
如果你觉得这个准确率可以，那就可以直接去进行预测了
不要忘了决策树最大的优点：可视化
我们通过graphviz 进行结果的可视化显示
# 将dot结果进行可视化
tree.export_graphviz(gird_clf.best_estimator_, feature_names=X.columns, out_file='titanic_tree.dot', filled=True)
# 在cmd 下使用dot -Tpng titanic_tree.dot -o tree.png 转换结果为png图片最终我们的决策树是这样的
嗯，有点过拟合了，这个可以通过树的深度去再次优化，这个问题就留给大家了
关于源码
请在原文链接中获取本节内容的源码
原文链接：大话系列 | 决策树（下篇）
写在后面的话
有一个小技巧送给大家：学习算法，每学完一个就做个项目，算法学完了，项目经验也有了，win-win啊。
还有一点很重要，比如说分类算法，决策树只是其中一种，后面还有其他分类算法
那你完全可以用不同的算法去建立模型，对同一份数据进行预测，这样对比着理解会更高效。
我是小一，我们小节见。
原创不易，欢迎点赞噢
文章首发：公众号【知秋小一】文章同步：掘金，简书，csdn
欢迎三连支持小一，持续更新中