python决策树分类 导入数据集_python中使用scikit-learn和pandas决策树进行iris鸢尾花数据分类建模和交叉验证...

在这篇文章中，我将使用python中的决策树（用于分类）。重点将放在基础知识和对最终决策树的理解上。

导入

因此，首先我们进行一些导入。from __future__ import print_functionimport osimport subprocessimport pandas as pdimport numpy as npfrom sklearn.tree import DecisionTreeClassifier, export_graphviz

数据

接下来，我们需要考虑一些数据。我将使用著名的iris数据集，该数据集可对各种不同的iris类型进行各种测量。pandas和sckit-learn都可以轻松导入这些数据，我将使用pandas编写一个从csv文件导入的函数。这样做的目的是演示如何将scikit-learn与pandas一起使用。因此，我们定义了一个获取iris数据的函数：def get_iris_data(): """Get the iris data, from local csv or pandas repo.""" if os.path.exists("iris.csv"): print("-- iris.csv found locally") df = pd.read_csv("iris.csv", index_col=0) else: print("-- trying to download from github") fn = "https://raw.githubusercontent.com/pydata/pandas/" + \ "master/pandas/tests/data/iris.csv" try: df = pd.read_csv(fn) except: exit("-- Unable to download iris.csv") with open("iris.csv", 'w') as f: print("-- writing to local iris.csv file") df.to_csv(f) return df此函数首先尝试在本地读取数据。利用os.path.exists（） 方法。如果在本地目录中找到iris.csv文件，则使用pandas通过pd.read_csv（）读取文件。

如果本地iris.csv没有发现，抓取URL数据来运行。

下一步是获取数据，并使用head（）和tail（）方法查看数据的样子。因此，首先获取数据：df = get_iris_data()-- iris.csv found locally

然后 ：print("* df.head()", df.head(), sep="\n", end="\n\n")print("* df.tail()", df.tail(), sep="\n", end="\n\n")* df.head() SepalLength SepalWidth PetalLength PetalWidth Name0 5.1 3.5 1.4 0.2 Iris-setosa1 4.9 3.0 1.4 0.2 Iris-setosa2 4.7 3.2 1.3 0.2 Iris-setosa3 4.6 3.1 1.5 0.2 Iris-setosa4 5.0 3.6 1.4 0.2 Iris-setosa* df.tail() SepalLength SepalWidth PetalLength PetalWidth Name145 6.7 3.0 5.2 2.3 Iris-virginica146 6.3 2.5 5.0 1.9 Iris-virginica147 6.5 3.0 5.2 2.0 Iris-virginica148 6.2 3.4 5.4 2.3 Iris-virginica149 5.9 3.0 5.1 1.8 Iris-virginica

从这些信息中，我们可以讨论我们的目标：给定特征SepalLength， SepalWidth， PetalLength 和PetalWidth来预测iris类型。

预处理

为了将这些数据传递到scikit-learn，我们需要将Names编码为整数。为此，我们将编写另一个函数，并返回修改后的数据框以及目标（类）名称的列表：

让我们看看有什么：* df2.head() Target Name0 0 Iris-setosa1 0 Iris-setosa2 0 Iris-setosa3 0 Iris-setosa4 0 Iris-setosa* df2.tail() Target Name145 2 Iris-virginica146 2 Iris-virginica147 2 Iris-virginica148 2 Iris-virginica149 2 Iris-virginica* targets['Iris-setosa' 'Iris-versicolor' 'Iris-virginica']

接下来，我们获得列的名称：features = list(df2.columns[:4])print("* features:", features, sep="\n")* features:['SepalLength', 'SepalWidth', 'PetalLength', 'PetalWidth']

用scikit-learn拟合决策树

现在，我们可以使用 上面导入的DecisionTreeClassifier拟合决策树，如下所示：我们使用简单的索引从数据框中提取X和y数据。

开始时导入的决策树用两个参数初始化：min_samples_split = 20需要一个节点中的20个样本才能拆分，并且 random_state = 99进行种子随机数生成器。

可视化树

我们可以使用以下功能生成图形：从上面的scikit-learn导入的export_graphviz方法写入一个点文件。此文件用于生成图形。

生成图形dt.png。

运行函数：visualize_tree(dt, features)

结果

我们可以使用此图来了解决策树发现的模式：所有数据（所有行）都从树顶部开始。

考虑了所有功能，以了解如何以最有用的方式拆分数据-默认情况下使用基尼度量。

在顶部，我们看到最有用的条件是 PetalLength <= 2.4500。

这种分裂一直持续到拆分后仅具有一个类别。

或者，结果中的样本少于20个。

决策树的伪代码

最后，我们考虑生成代表学习的决策树的伪代码。目标名称可以传递给函数，并包含在输出中。

使用spacer_base 参数，使输出更容易阅读。

应用于iris数据的结果输出为：get_code(dt, features, targets)if ( PetalLength <= 2.45000004768 ) { return Iris-setosa ( 50 examples )}else { if ( PetalWidth <= 1.75 ) { if ( PetalLength <= 4.94999980927 ) { if ( PetalWidth <= 1.65000009537 ) { return Iris-versicolor ( 47 examples ) } else { return Iris-virginica ( 1 examples ) } } else { return Iris-versicolor ( 2 examples ) return Iris-virginica ( 4 examples ) } } else { if ( PetalLength <= 4.85000038147 ) { return Iris-versicolor ( 1 examples ) return Iris-virginica ( 2 examples ) } else { return Iris-virginica ( 43 examples ) } }}

将其与上面的图形输出进行比较-这只是决策树的不同表示。

在python中进行决策树交叉验证

导入

首先，我们导入所有代码：from __future__ import print_functionimport osimport subprocessfrom time import timefrom operator import itemgetterfrom scipy.stats import randintimport pandas as pdimport numpy as npfrom sklearn.tree import DecisionTreeClassifierfrom sklearn.tree import export_graphvizfrom sklearn.grid_search import GridSearchCVfrom sklearn.grid_search import RandomizedSearchCVfrom sklearn.cross_validation import cross_val_score

主要添加的内容是sklearn.grid_search中的方法，它们可以：时间搜索

使用itemgetter对结果进行排序

使用scipy.stats.randint生成随机整数。

现在我们可以开始编写函数了。

包括：get_code –为决策树编写伪代码，

visualize_tree –生成决策树的图形。

encode_target –处理原始数据以与scikit-learn一起使用。

get_iris_data –如果需要，从网络上获取iris.csv，并将副本写入本地目录。

新功能

接下来，我们添加一些新功能来进行网格和随机搜索，并报告找到的主要参数。首先是报告。此功能从网格或随机搜索中获取输出，打印模型的报告并返回最佳参数设置。

网格搜索

接下来是run_gridsearch。该功能需要特征X，

目标y，

（决策树）分类器clf，

尝试参数字典的param_grid

交叉验证cv的倍数，默认为5。

param_grid是一组参数，这将是作测试，要注意不要列表中有太多的选择。

随机搜寻

接下来是run_randomsearch函数，该函数从指定的列表或分布中采样参数。与网格搜索类似，参数为：功能X

目标y

（决策树）分类器clf

交叉验证cv的倍数，默认为5

n_iter_search的随机参数设置数目，默认为20。

好的，我们已经定义了所有函数。

交叉验证

获取数据

接下来，让我们使用上面设置的搜索方法来找到合适的参数设置。首先进行一些初步准备-获取数据并构建目标数据：print("\n-- get data:")df = get_iris_data()print("")features = ["SepalLength", "SepalWidth", "PetalLength", "PetalWidth"]df, targets = encode_target(df, "Name")y = df["Target"]X = df[features]-- get data:-- iris.csv found locally

第一次交叉验证

在下面的所有示例中，我将使用10倍交叉验证。将数据分为10部分

拟合9个部分

其余部分的测试准确性

使用当前参数设置，在所有组合上重复此操作，以产生十个模型精度估计。通常会报告十个评分的平均值和标准偏差。print("-- 10-fold cross-validation " "[using setup from previous post]")dt_old = DecisionTreeClassifier(min_samples_split=20, random_state=99)dt_old.fit(X, y)scores = cross_val_score(dt_old, X, y, cv=10)print("mean: {:.3f} (std: {:.3f})".format(scores.mean(), scores.std()), end="\n\n" )-- 10-fold cross-validation [using setup from previous post]mean: 0.960 (std: 0.033)

0.960还不错。这意味着平均准确性（使用经过训练的模型进行正确分类的百分比）为96％。该精度非常高，但是让我们看看是否可以找到更好的参数。

网格搜索的应用

首先，我将尝试网格搜索。字典para_grid提供了要测试的不同参数设置。print("-- Grid Parameter Search via 10-fold CV")dt = DecisionTreeClassifier()ts_gs = run_gridsearch(X, y, dt, param_grid, cv=10)-- Grid Parameter Search via 10-fold CVGridSearchCV took 5.02 seconds for 288 candidate parameter settings.Model with rank: 1Mean validation score: 0.967 (std: 0.033)Parameters: {'min_samples_split': 10, 'max_leaf_nodes': 5,'criterion': 'gini', 'max_depth': None, 'min_samples_leaf': 1}Model with rank: 2Mean validation score: 0.967 (std: 0.033)Parameters: {'min_samples_split': 20, 'max_leaf_nodes': 5,'criterion': 'gini', 'max_depth': None, 'min_samples_leaf': 1}Model with rank: 3Mean validation score: 0.967 (std: 0.033)Parameters: {'min_samples_split': 10, 'max_leaf_nodes': 5,'criterion': 'gini', 'max_depth': 5, 'min_samples_leaf': 1}

在大多数运行中，各种参数设置的平均值为0.967。这意味着从96％改善到96.7％！我们可以看到最佳的参数设置ts_gs，如下所示：print("\n-- Best Parameters:")for k, v in ts_gs.items(): print("parameter: {:<20s} setting: {}".format(k, v))-- Best Parameters:parameter: min_samples_split setting: 10parameter: max_leaf_nodes setting: 5parameter: criterion setting: giniparameter: max_depth setting: Noneparameter: min_samples_leaf setting: 1

并复制交叉验证结果：# test the retuned best parametersprint("\n\n-- Testing best parameters [Grid]...")dt_ts_gs = DecisionTreeClassifier(**ts_gs)scores = cross_val_score(dt_ts_gs, X, y, cv=10)print("mean: {:.3f} (std: {:.3f})".format(scores.mean(), scores.std()), end="\n\n" )-- Testing best parameters [Grid]...mean: 0.967 (std: 0.033)

接下来，让我们使用获取最佳树的伪代码：print("\n-- get_code for best parameters [Grid]:", end="\n\n")dt_ts_gs.fit(X,y)get_code(dt_ts_gs, features, targets)-- get_code for best parameters [Grid]:if ( PetalWidth <= 0.800000011921 ) { return Iris-setosa ( 50 examples )}else { if ( PetalWidth <= 1.75 ) { if ( PetalLength <= 4.94999980927 ) { if ( PetalWidth <= 1.65000009537 ) { return Iris-versicolor ( 47 examples ) } else { return Iris-virginica ( 1 examples ) } } else { return Iris-versicolor ( 2 examples ) return Iris-virginica ( 4 examples ) } } else { return Iris-versicolor ( 1 examples ) return Iris-virginica ( 45 examples ) }}

我们还可以制作决策树的图形：visualize_tree(dt_ts_gs, features, fn="grid_best")

随机搜索的应用

接下来，我们尝试使用随机搜索方法来查找参数。在此示例中，我使用288个样本，以便测试的参数设置数量与上面的网格搜索相同：

与网格搜索一样，这通常会找到平均精度为0.967或96.7％的多个参数设置。如上所述，最佳交叉验证的参数为：print("\n-- Best Parameters:")for k, v in ts_rs.items(): print("parameters: {:<20s} setting: {}".format(k, v))-- Best Parameters:parameters: min_samples_split setting: 12parameters: max_leaf_nodes setting: 5parameters: criterion setting: giniparameters: max_depth setting: 19parameters: min_samples_leaf setting: 1

并且，我们可以再次测试最佳参数：# test the retuned best parameters )-- Testing best parameters [Random]...mean: 0.967 (std: 0.033)

要查看决策树是什么样的，我们可以生成伪代码以获得最佳随机搜索结果

并可视化树visualize_tree(dt_ts_rs, features, fn="rand_best")

结论

因此，我们使用了带有交叉验证的网格和随机搜索来调整决策树的参数。在这两种情况下，从96％到96.7％的改善都很小。当然，在更复杂的问题中，这种影响会更大。最后几点注意事项：通过交叉验证搜索找到最佳参数设置后，通常使用找到的最佳参数对所有数据进行训练。

传统观点认为，对于实际应用而言，随机搜索比网格搜索更有效。网格搜索确实花费的时间太长，这当然是有意义的。

此处开发的基本交叉验证想法可以应用于许多其他scikit学习模型-随机森林，逻辑回归，SVM等。