____tz_zs学习笔记

决策树算法概念：

决策树（decision tree）是一个类似于流程图的树结构：其中，每个内部结点表示在一个属性上的测试，每个分支代表一个属性输出，而每个树叶结点代表类或类分布。树的最顶层是根结点。

熵（entropy）概念：

决策树归纳算法（ID3）：

1970-1980，J.Ross.Quinlan，ID3算法

选择属性判断结点

信息获取量(Information Gain)：Gain(A) = Info(D) - Infor_A(D)

通过一个来作为节点分类获取了多少信息

类似，Gain(income) = 0.029, Gain(student) = 0.151, Gain(credit_rating)=0.048

所以，选择age作为第一个根节点

.

sklearn.tree.DecisionTreeClassifier

基于 scikit-learn 的决策树分类模型DecisionTreeClassifier 进行的分类运算

http://scikit-/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html#sklearn.tree.DecisionTreeClassifier

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_decrease=0.0, min_impurity_split=None, class_weight=None, presort=False)

参数：

criterion :默认为 "gini"。是特征选择的标准，可选择基尼系数 "gini" 或者 信息熵 "entropy"。

splitter :默认为 "best"。"best" 是在特征的所有划分点中找出最优的划分点。"random" 是随机的在部分划分点中找局部最优的划分点。"best" 适合样本量不大的时候，如果样本数据量非常大，推荐 "random"。

max_depth :默认为 None。设置树的最大深度。如果是 None，则不限制子树的深度，直到所有叶子是纯的，或者所有叶子包含少于 min_samples_split 的样本。

min_samples_split :默认为 2，可以是 int 或者 float 格式。限制子树继续划分的条件，如果节点的样本数小于这个值，则不会再划分。当为 float 值时，拆分的最小样本数为 ceil(min_samples_split * n_samples)。

min_samples_leaf :默认为1，可以是 int 或者 float 格式。设置叶子节点的最小样本数，如果某叶子节点数目小于样本数，则会和兄弟节点一起被剪枝。当为 float 值时，此时叶子最小样本数为 ceil（min_samples_leaf * n_samples）。

min_weight_fraction_leaf :叶子节点最小的样本权重和。这个值限制了叶子节点所有样本权重和的最小值，如果小于这个值，则会和兄弟节点一起被剪枝。 默认是0，就是不考虑权重问题。一般来说，如果我们有较多样本有缺失值，或者分类树样本的分布类别偏差很大，就会引入样本权重，这时我们就要注意这个值了。

max_features :划分时考虑的最大特征数，默认为 None。是划分时考虑的最大特征数，

如果是 int, 最大特征数为此 max_features 值。如果是 float, 值为 int(max_features * n_features)。如果是 “auto”, 值为 max_features=sqrt(n_features)。如果是 “sqrt”, 值为 max_features=sqrt(n_features)。如果是 “log2”, 值为 max_features=log2(n_features)。如果是 None, 值为 max_features=n_features 表示划分时考虑所有的特征数。

random_state :默认为 None。随机种子。

max_leaf_nodes :最大叶子节点数，默认为 None。限制最大叶子节点数，可以防止过拟合如果为 None，则不显示最大的叶子节点数。

class_weight :指定样本各类别的的权重。默认为 None，表示没有权重偏倚。如果为 "balanced"，则算法会自己计算权重，样本少的权重高，公式：n_samples / (n_classes * np.bincount(y))。

min_impurity_decrease :默认为0。参数的意义是，如果继续分裂能减少的杂质大于或等于该值，则分裂节点。

min_impurity_split :如果节点的不纯度高于阈值，节点将分裂。（已被 min_impurity_decrease 代替）。

presort :设置数据是否预排序，默认为 False。在大型数据集上，设置为 True 可能反而会降低训练速度，在较小数据集或者限制深度的树上使用 True 能加快训练速度。

属性：

max_features_ :特征的数量

feature_importances_ :特征的重要性。

参考：

/pinard/p/6056319.html

/p/78594737b4b4

.

示例代码：

网络课程中python2中的代码

from sklearn.feature_extraction import DictVectorizerimport csvfrom sklearn import treefrom sklearn import preprocessingfrom sklearn.externals.six import StringIO# Read in the csv file and put features into list of dict and list of class labelallElectronicsData = open(r'/home/zhoumiao/MachineLearning/01decisiontree/AllElectronics.csv', 'rb')reader = csv.reader(allElectronicsData)headers = reader.next()print(headers)featureList = []labelList = []for row in reader:labelList.append(row[len(row)-1])rowDict = {}for i in range(1, len(row)-1):rowDict[headers[i]] = row[i]featureList.append(rowDict)print(featureList)# Vetorize featuresvec = DictVectorizer()dummyX = vec.fit_transform(featureList) .toarray()print("dummyX: " + str(dummyX))print(vec.get_feature_names())print("labelList: " + str(labelList))# vectorize class labelslb = preprocessing.LabelBinarizer()dummyY = lb.fit_transform(labelList)print("dummyY: " + str(dummyY))# Using decision tree for classification# clf = tree.DecisionTreeClassifier()clf = tree.DecisionTreeClassifier(criterion='entropy')clf = clf.fit(dummyX, dummyY)print("clf: " + str(clf))# Visualize modelwith open("allElectronicInformationGainOri.dot", 'w') as f:f = tree.export_graphviz(clf, feature_names=vec.get_feature_names(), out_file=f)oneRowX = dummyX[0, :]print("oneRowX: " + str(oneRowX))newRowX = oneRowXnewRowX[0] = 1newRowX[2] = 0print("newRowX: " + str(newRowX))predictedY = clf.predict(newRowX)print("predictedY: " + str(predictedY))

.

python3要修改一些方法的使用规则。

代码逻辑：

①前一部分为读取文件

②将数据矢量化（变为0,1）

③之后训练决策树

④将决策树可视化：先写如点格式文件，然后使用Graphviz的软件转化为PDF格式

⑤使用决策树预测标签

# -*- coding: utf-8 -*-"""@author: tz_zs"""from sklearn.feature_extraction import DictVectorizerimport csvfrom sklearn import treefrom sklearn import preprocessingfrom sklearn.externals.six import StringIOimport numpy as npnp.set_printoptions(threshold = 1e6)#设置打印数量的阈值 # Read in the csv file and put features into list of dict and list of class labelallElectronicsData = open(r'AllElectronics.csv', 'r')reader = csv.reader(allElectronicsData)#headers = reader.next()headers = next(reader)print(headers)print("~"*10+"headers end"+"~"*10)featureList = []labelList = []for row in reader: # 遍历每一列labelList.append(row[len(row)-1]) # 标签列表rowDict = {} # 每一行的所有特征放入一个字典for i in range(1, len(row)-1):# 左闭右开 遍历从age到credit_ratingrowDict[headers[i]] = row[i] # 字典的赋值featureList.append(rowDict) #将每一行的特征字典装入特征列表内print(featureList)print("~"*10+"featureList end"+"~"*10)# Vetorize featuresvec = DictVectorizer() # Vectorizer 矢量化dummyX = vec.fit_transform(featureList).toarray()print("dummyX: " + str(dummyX))print(vec.get_feature_names())print("~"*10+"dummyX end"+"~"*10)print("labelList: " + str(labelList))print("~"*10+"labelList end"+"~"*10)# vectorize class labelslb = preprocessing.LabelBinarizer()dummyY = lb.fit_transform(labelList)print("dummyY: " + str(dummyY))print("~"*10+"dummyY end"+"~"*10)# Using decision tree for classification# clf = tree.DecisionTreeClassifier()clf = tree.DecisionTreeClassifier(criterion='entropy') # 标准 熵clf = clf.fit(dummyX, dummyY)print("clf: " + str(clf))# Visualize modelwith open("allElectronicInformationGainOri.dot", 'w') as f:# 输出到dot文件里，安装 Graphviz软件后，# 可使用 dot -Tpdf allElectronicInformationGainOri.dot -o outpu.pdf 命令 # 转化dot文件至pdf可视化决策树f = tree.export_graphviz(clf, feature_names=vec.get_feature_names(), out_file=f)oneRowX = dummyX[0, :]print("oneRowX: " + str(oneRowX))newRowX = oneRowXnewRowX[0] = 1newRowX[2] = 0print("newRowX: " + str(newRowX))predictedY = clf.predict(newRowX)print("predictedY: " + str(predictedY))

.

点文件内容：

有向图树{node [shape = box];0 [label =“age = middle_aged <= 0.5 \ nentropy = 0.9403 \ nsamples = 14 \ nvalue = [5，9]”];1 [label =“student = yes <= 0.5 \ nentropy = 1.0 \ nsamples = 10 \ nvalue = [5，5]”];0 - > 1 [labeldistance = 2.5，labelangle = 45，headlabel =“True”];2 [label =“age = senior <= 0.5 \ nentropy = 0.7219 \ nsamples = 5 \ nvalue = [4，1]”];1 - > 2;3 [label =“entropy = 0.0 \ nsamples = 3 \ nvalue = [3，0]”];2 - > 3;4 [label =“credit_rating = excellent <= 0.5 \ nentropy = 1.0 \ nsamples = 2 \ nvalue = [1，1]”];2 - > 4;5 [label =“entropy = 0.0 \ nsamples = 1 \ nvalue = [0，1]”];4 - > 5;6 [label =“entropy = 0.0 \ nsamples = 1 \ nvalue = [1，0]”];4 - > 6;7 [label =“credit_rating = excellent <= 0.5 \ nentropy = 0.7219 \ nsamples = 5 \ nvalue = [1，4]”];1 - > 7;8 [label =“entropy = 0.0 \ nsamples = 3 \ nvalue = [0，3]”];7 - > 8;9 [label =“income = medium <= 0.5 \ nentropy = 1.0 \ nsamples = 2 \ nvalue = [1，1]”];7 - > 9;10 [label =“entropy = 0.0 \ nsamples = 1 \ nvalue = [1，0]”];9 - > 10;11 [label =“entropy = 0.0 \ nsamples = 1 \ nvalue = [0，1]”];9 - > 11;12 [label =“entropy = 0.0 \ nsamples = 4 \ nvalue = [0，4]”];0 - > 12 [labeldistance = 2.5，labelangle = -45，headlabel =“False”];}

.

PDF内容：

代码运行输出：

['RID', 'age', 'income', 'student', 'credit_rating', 'class_buys_computer']~~~~~~~~~~headers end~~~~~~~~~~[{'age': 'youth', 'income': 'high', 'student': 'no', 'credit_rating': 'fair'}, {'age': 'youth', 'income': 'high', 'student': 'no', 'credit_rating': 'excellent'}, {'age': 'middle_aged', 'income': 'high', 'student': 'no', 'credit_rating': 'fair'}, {'age': 'senior', 'income': 'medium', 'student': 'no', 'credit_rating': 'fair'}, {'age': 'senior', 'income': 'low', 'student': 'yes', 'credit_rating': 'fair'}, {'age': 'senior', 'income': 'low', 'student': 'yes', 'credit_rating': 'excellent'}, {'age': 'middle_aged', 'income': 'low', 'student': 'yes', 'credit_rating': 'excellent'}, {'age': 'youth', 'income': 'medium', 'student': 'no', 'credit_rating': 'fair'}, {'age': 'youth', 'income': 'low', 'student': 'yes', 'credit_rating': 'fair'}, {'age': 'senior', 'income': 'medium', 'student': 'yes', 'credit_rating': 'fair'}, {'age': 'youth', 'income': 'medium', 'student': 'yes', 'credit_rating': 'excellent'}, {'age': 'middle_aged', 'income': 'medium', 'student': 'no', 'credit_rating': 'excellent'}, {'age': 'middle_aged', 'income': 'high', 'student': 'yes', 'credit_rating': 'fair'}, {'age': 'senior', 'income': 'medium', 'student': 'no', 'credit_rating': 'excellent'}]~~~~~~~~~~featureList end~~~~~~~~~~dummyX: [[ 0. 0. 1. 0. 1. 1. 0. 0. 1. 0.][ 0. 0. 1. 1. 0. 1. 0. 0. 1. 0.][ 1. 0. 0. 0. 1. 1. 0. 0. 1. 0.][ 0. 1. 0. 0. 1. 0. 0. 1. 1. 0.][ 0. 1. 0. 0. 1. 0. 1. 0. 0. 1.][ 0. 1. 0. 1. 0. 0. 1. 0. 0. 1.][ 1. 0. 0. 1. 0. 0. 1. 0. 0. 1.][ 0. 0. 1. 0. 1. 0. 0. 1. 1. 0.][ 0. 0. 1. 0. 1. 0. 1. 0. 0. 1.][ 0. 1. 0. 0. 1. 0. 0. 1. 0. 1.][ 0. 0. 1. 1. 0. 0. 0. 1. 0. 1.][ 1. 0. 0. 1. 0. 0. 0. 1. 1. 0.][ 1. 0. 0. 0. 1. 1. 0. 0. 0. 1.][ 0. 1. 0. 1. 0. 0. 0. 1. 1. 0.]]['age=middle_aged', 'age=senior', 'age=youth', 'credit_rating=excellent', 'credit_rating=fair', 'income=high', 'income=low', 'income=medium', 'student=no', 'student=yes']~~~~~~~~~~dummyX end~~~~~~~~~~labelList: ['no', 'no', 'yes', 'yes', 'yes', 'no', 'yes', 'no', 'yes', 'yes', 'yes', 'yes', 'yes', 'no']~~~~~~~~~~labelList end~~~~~~~~~~dummyY: [[0][0][1][1][1][0][1][0][1][1][1][1][1][0]]~~~~~~~~~~dummyY end~~~~~~~~~~clf: DecisionTreeClassifier(class_weight=None, criterion='entropy', max_depth=None,max_features=None, max_leaf_nodes=None,min_impurity_split=1e-07, min_samples_leaf=1,min_samples_split=2, min_weight_fraction_leaf=0.0,presort=False, random_state=None, splitter='best')oneRowX: [ 0. 0. 1. 0. 1. 1. 0. 0. 1. 0.]newRowX: [ 1. 0. 0. 0. 1. 1. 0. 0. 1. 0.]predictedY: [1]

.

补充：

发现有不少小伙伴在 dot 转 PDF 时遇到了 dot 或 GraphViz找不到等等问题。这里有几点提醒：

一、注意在Python中安装好GraphViz （pip install graphviz）和 pydot （pip install pydot）三方库后，你还需要下载 GraphViz（/）软件安装。（Linux 可以在终端使用命令 sudo apt-get install graphviz 安装）

二、很可能是因为没把graphviz的bin目录加入path路径。

三、注意先安装GraphViz，再安装 pydot。

参考：

/A/B0zqBekNJv//questions/27666846/pydot-invocationexception-graphvizs-executables-not-found/questions/18438997/why-is-pydot-unable-to-find-graphvizs-executables-in-windows-8

.

end