基于决策树的泰坦尼克号幸存者进行分析
缺失值的处理
将字符型数据转成数值型
特征属性数据和标签属性的分离
决策树的建模
网格搜索的建立
导入模块
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
import seaborn as sns
sns.set() # setting seaborn default for plots
from sklearn.tree import DecisionTreeClassifier # 分类决策树
from sklearn.model_selection import GridSearchCV # 网格搜索
from sklearn.model_selection import train_test_split # 训练集和测试集的划分
from sklearn.model_selection import cross_val_score # 交叉验证模块
导入数据
data = pd.read_csv("/Users/peter/data-visualization/train.csv")
查看数据信息
image
删除缺失值
# 去掉缺失值过多的列 Cabin （直接删掉），以及和观测判断来说和预测的y没有关系的列（Name, Ticket）
data.drop(["Cabin", "Name", "Ticket"], inplace=True, axis=1)
中值填充
某个字段缺失值不是太多，使用中值填充
# Age属性用中值填充
data['Age'] = data['Age'].fillna(data['Age'].mean())
image
如果只是很少部分的缺失值，比如Embarked字段，直接dropna
data = data.dropna() # 只要是存在的缺失值都给删掉
data.info()
image
将属性的值转成数值型
Python不能直接处理字符串数据，需要转成数值型
- Embark中存在["S", "C", "Q"]3种结果：现将结果转成列表，再从列表中取出对应的索引（数字）
- Sex字段中存在["male", "female"]2种结果：只有两个结果的情形，通过bool值来解决
# 方法1
# 属性的结果存在多个不同的取值
labels = data["Embarked"].unique().tolist() # ["S", "C", "Q"]
# 将Embarked属性中的 ["S", "C", "Q"]转成0，1，2
data['Embarked']= data['Embarked'].apply(lambda x: labels.index(x))
# 方法2
data["Sex"] = (data["Sex"] == "male").astype("int") # 先获取bool值，再将bool值转成0-1
# 方法3：通过loc来实现
# data.loc[:, "Sex"] = (data["Sex"] == "male").astype("int")
image
image
特征属性和标签的分离
根据某个属性将数据分成特征数据和标签数据（最后的预测值或者输出值）
x = data.iloc[:, data.columns != "Survived"]
y = data.iloc[:, data.columns == "Survived"]
随机划分数据后的索引还原
# 划分训练集和测试集
Xtrain, Xtest, ytrain, ytest = train_test_split(x, y, test_size=0.3)
for i in [Xtrain, Xtest, ytrain, ytest]:
i.index = range(i.shape[0]) # shape属性的第一个元素就是索引的总个数
image
image
决策树的建模过程
clf = DecisionTreeClassifier(random_state=25)
clf = clf.fit(Xtrain, ytrain)
score = clf.score(Xtest, ytest)
score
# 交叉验证
clf = DecisionTreeClassifier(random_state=25)
score = cross_val_score(clf, x, y, cv=10).mean() # 10次交叉验证求均值，结果降低
score
学习曲线
tr = [] # 两个空列表用来存储训练得到的两个分数
te = []
for i in range(10):
clf = DecisionTreeClassifier(random_state=25 # 实例化模型，设定决策树的最大深度
,max_depth=i+1
,criterion="entropy" # 默认是基尼系数。一般情况下，entropy是欠拟合的情况下才使用
)
clf = clf.fit(Xtrain, ytrain) # fit训练过程
score_tr = clf.score(Xtrain, ytrain) # 训练集score
score_te = cross_val_score(clf, x, y, cv=10).mean() # 测试集分数，取均值
tr.append(score_tr)
te.append(score_te)
print(max(te))
plt.plot(range(1,11), tr, color="red", label="train") # x,y,颜色，label
plt.plot(range(1,11), te, color="blue", label="test")
plt.xticks(range(1,11)) # 横坐标范围固定在1-10
plt.legend() # 图例
plt.show()
image
网格搜索demo
gini_threholds = np.linspace(0, 0.5, 20) # gini:0-0.5
#entropy_threholds = np.linspace(0,1,20) entropy:0-1
# 参数
parameter = {
"criterion":("gini", "entropy")
,"splitter":("best", "random")
,"max_depth":[*range(1,10)]
,"min_samples_leaf":[*range(1,50,5)]
,"min_impurity_decrease":gini_threholds
}
# 网格搜索
clf = DecisionTreeClassifier(random_state=25)
GS = GridSearchCV(clf, parameter, cv=10) # 同时满足fit,score,交叉验证3种功能
GS = GS.fit(Xtrain, ytrain)
# 2个重要的属性
GS.best_params_ # 显示属性的最好组合结果
GS.best_score_
image