机器学习之决策树

决策树是一个递归的过程，每层使用不同判断标准。

• 熵
• 信息增益
• 信息增益率
• GINI系数
• 剪枝策略

• 举例

  
  在这里插入图片描述

1.熵

熵表示随机变量不确定性的度量（即内部混乱程度，分布越混乱熵值越大。）

例如A [1 1 1 1 2 2 2 2] B[1 2 3 4 5 6 7 8] C[1 1 1 1 1 1 1 1]
A的集熵值较低，B熵值更大 C最小因为C的熵值为0（元素概率为1）

2.信息增益 ID3

熵值增加或减少的值：

在这里插入图片描述

3.信息增益率 ID3

考虑自身的熵值。

IV即自身的熵值。

4.GINI系数

和熵的衡量标准基本一致，只是计算方式不同

5.剪枝策略（控制节点个数等等）

预剪枝策略：边建立决策树边剪枝
后剪枝：建立完成之后再剪枝

6.例子

在这里插入图片描述
决策树之前，根节点包含所有样本。根节点的信息熵为：

如果按照色泽划分：
D1：青绿
D2：乌黑
D3：浅白
同样算出三个熵值，

..
信息增益

同理可以计算出按照其他属性的值：
例如*Gain(D, 根蒂） = 0.143 Gain(D, 纹理） = 0.143 *...
得到纹理增益最大。对纹理进一步子节点进一步划分。

信息增益率 例如通过上述步骤得到触感属性进行划分信息增益0.006
信息增益率 = 0.006/0.874
0.874即公式中的IV

使用skLearn实现基本决策树

import matplotlib.pyplot as plt
import pandas as pd
%matplotlib inline

#在线数据 联网下载
from sklearn.datasets.california_housing import fetch_california_housing
housing = fetch_california_housing()

from sklearn.model_selection import train_test_split
data_train, data_test, target_train, target_test = train_test_split(housing.data, housing.target, test_size = 0.1, random_state = 42)
decisionTree = tree.DecisionTreeRegressor(random_state = 42)
#housing.data[:, [0, 1]] 输入样本x  housing.target样本标签
decisionTree.fit(data_train, target_train)
decisionTree.score(data_test, target_test)

如果想更换不同的参数得到最高的效果，可以使用GridSearchCV

from sklearn.grid_search import GridSearchCV
# criterion='mse', max_depth=None, max_features=None,
#            max_leaf_nodes=None, min_impurity_decrease=0.0,
#            min_impurity_split=None, min_samples_leaf=1,
#            min_samples_split=3, min_weight_fraction_leaf=0.0,
#            presort=False, random_state=None, splitter='best'
tree_param_grid = { 'min_samples_split': list((3,6,9)),'max_depth':list((2,4,6,8,16, 32))}
grid = GridSearchCV(tree.DecisionTreeRegressor(),param_grid=tree_param_grid, cv=5)
grid.fit(data_train, target_train)
grid.grid_scores_, grid.best_params_, grid.best_score_

输出得到最好结果的组合:

([mean: 0.44506, std: 0.00625, params: {'max_depth': 2, 'min_samples_split': 3},
  mean: 0.44506, std: 0.00625, params: {'max_depth': 2, 'min_samples_split': 6},
  mean: 0.44506, std: 0.00625, params: {'max_depth': 2, 'min_samples_split': 9},
  mean: 0.57607, std: 0.00765, params: {'max_depth': 4, 'min_samples_split': 3},
  mean: 0.57607, std: 0.00765, params: {'max_depth': 4, 'min_samples_split': 6},
  mean: 0.57607, std: 0.00765, params: {'max_depth': 4, 'min_samples_split': 9},
  mean: 0.64758, std: 0.00481, params: {'max_depth': 6, 'min_samples_split': 3},
  mean: 0.64659, std: 0.00582, params: {'max_depth': 6, 'min_samples_split': 6},
  mean: 0.64700, std: 0.00511, params: {'max_depth': 6, 'min_samples_split': 9},
  mean: 0.68846, std: 0.00426, params: {'max_depth': 8, 'min_samples_split': 3},
  mean: 0.68738, std: 0.00471, params: {'max_depth': 8, 'min_samples_split': 6},
  mean: 0.68722, std: 0.00515, params: {'max_depth': 8, 'min_samples_split': 9},
  mean: 0.62133, std: 0.00743, params: {'max_depth': 16, 'min_samples_split': 3},
  mean: 0.63677, std: 0.00863, params: {'max_depth': 16, 'min_samples_split': 6},
  mean: 0.65077, std: 0.00892, params: {'max_depth': 16, 'min_samples_split': 9},
  mean: 0.60382, std: 0.00944, params: {'max_depth': 32, 'min_samples_split': 3},
  mean: 0.62400, std: 0.01184, params: {'max_depth': 32, 'min_samples_split': 6},
  mean: 0.64117, std: 0.00866, params: {'max_depth': 32, 'min_samples_split': 9}],
 {'max_depth': 8, 'min_samples_split': 3},
 0.6884636618151855)

完整代码：完整代码