前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >基于sklearn的决策树分类器理论基础代码实现

基于sklearn的决策树分类器理论基础代码实现

作者头像
月见樽
发布2018-04-27 12:01:04
1.6K0
发布2018-04-27 12:01:04
举报

理论基础

决策树

决策树是一种树形结构的机器学习算法,所有的样本起始于根节点,每个具有子节点的父节点都有一个判断,根据判断结果将样本向子节点分流,测试样本从根节点开始向下流动,通过判断最终到达某个没有子节点的叶子节点,这个节点就是该样本所属的类别。 例如,判断一个动物是鸭子,狗还是兔子,可以具有以下的决策树:

  • 判断是否有四条腿
    • 没有,是鸭子
    • 有,判断眼睛颜色
      • 红色,是兔子
      • 非红色,是狗

决策树训练算法

训练决策树时,可以描述如下

  1. 从父节点找到最优划分属性
  2. 根据属性划分出子节点
  3. 若子节点为空/属性相同(无需划分)或样本相等(无法划分),返回,否则返回第一步继续递归划分

找到最优划分属性时,计算按每个属性划分的信息熵,取信息熵最大的属性为最优划分属性

代码实现

载入数据——泰坦尼克号数据导入

代码语言:javascript
复制
import pandas as pd
代码语言:javascript
复制
titan = pd.read_csv("http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt")
print(titan.head())
代码语言:javascript
复制
   row.names pclass  survived  \
0          1    1st         1   
1          2    1st         0   
2          3    1st         0   
3          4    1st         0   
4          5    1st         1   

                                              name      age     embarked  \
0                     Allen, Miss Elisabeth Walton  29.0000  Southampton   
1                      Allison, Miss Helen Loraine   2.0000  Southampton   
2              Allison, Mr Hudson Joshua Creighton  30.0000  Southampton   
3  Allison, Mrs Hudson J.C. (Bessie Waldo Daniels)  25.0000  Southampton   
4                    Allison, Master Hudson Trevor   0.9167  Southampton   

                         home.dest room      ticket   boat     sex  
0                     St Louis, MO  B-5  24160 L221      2  female  
1  Montreal, PQ / Chesterville, ON  C26         NaN    NaN  female  
2  Montreal, PQ / Chesterville, ON  C26         NaN  (135)    male  
3  Montreal, PQ / Chesterville, ON  C26         NaN    NaN  female  
4  Montreal, PQ / Chesterville, ON  C22         NaN     11    male  
代码语言:javascript
复制
print(titan.info())
代码语言:javascript
复制
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1313 entries, 0 to 1312
Data columns (total 11 columns):
row.names    1313 non-null int64
pclass       1313 non-null object
survived     1313 non-null int64
name         1313 non-null object
age          633 non-null float64
embarked     821 non-null object
home.dest    754 non-null object
room         77 non-null object
ticket       69 non-null object
boat         347 non-null object
sex          1313 non-null object
dtypes: float64(1), int64(2), object(8)
memory usage: 112.9+ KB
None

数据预处理

选取特征

代码语言:javascript
复制
x = titan[["pclass","age","sex"]]
y = titan["survived"]
print(x.info())
代码语言:javascript
复制
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1313 entries, 0 to 1312
Data columns (total 3 columns):
pclass    1313 non-null object
age       633 non-null float64
sex       1313 non-null object
dtypes: float64(1), object(2)
memory usage: 30.9+ KB
None

年龄补全——使用平均值

代码语言:javascript
复制
x['age'].fillna(x['age'].mean(),inplace=True)
print(x.info())
代码语言:javascript
复制
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1313 entries, 0 to 1312
Data columns (total 3 columns):
pclass    1313 non-null object
age       1313 non-null float64
sex       1313 non-null object
dtypes: float64(1), object(2)
memory usage: 30.9+ KB
None


c:\users\qiank\appdata\local\programs\python\python35\lib\site-packages\pandas\core\generic.py:3660: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
  self._update_inplace(new_data)

数据分割

代码语言:javascript
复制
from sklearn.cross_validation import train_test_split
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.25,random_state=1)
print(x_train.shape)
print(x_test.shape)
代码语言:javascript
复制
(984, 3)
(329, 3)

特征转换

代码语言:javascript
复制
from sklearn.feature_extraction import DictVectorizer
vec = DictVectorizer(sparse=False)
x_train = vec.fit_transform(x_train.to_dict(orient='record'))
x_test = vec.transform(x_test.to_dict(orient='record'))
print(vec.feature_names_,"\n",x_train[:5])
代码语言:javascript
复制
['age', 'pclass=1st', 'pclass=2nd', 'pclass=3rd', 'sex=female', 'sex=male'] 
 [[ 31.19418104   0.           0.           1.           0.           1.        ]
 [ 31.19418104   0.           0.           1.           0.           1.        ]
 [ 35.           0.           1.           0.           1.           0.        ]
 [ 31.           0.           1.           0.           0.           1.        ]
 [ 26.           0.           0.           1.           0.           1.        ]]

调用决策树分类器

代码语言:javascript
复制
from sklearn.tree import DecisionTreeClassifier
dtc = DecisionTreeClassifier()
dtc.fit(x_train,y_train)
代码语言:javascript
复制
DecisionTreeClassifier(class_weight=None, criterion='gini', 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=2,
            min_weight_fraction_leaf=0.0, presort=False, random_state=None,
            splitter='best')

模型评估

自带评估

代码语言:javascript
复制
dtc.score(x_test,y_test)
代码语言:javascript
复制
0.81155015197568392

评估器

代码语言:javascript
复制
from sklearn.metrics import classification_report
y_pre = dtc.predict(x_test)
print(classification_report(y_pre,y_test,target_names=["died","survived"]))
代码语言:javascript
复制
             precision    recall  f1-score   support

       died       0.91      0.80      0.85       226
   survived       0.66      0.83      0.74       103

avg / total       0.83      0.81      0.82       329

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2017.11.12 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 理论基础
    • 决策树
      • 决策树训练算法
      • 代码实现
        • 载入数据——泰坦尼克号数据导入
          • 数据预处理
            • 选取特征
            • 年龄补全——使用平均值
            • 数据分割
            • 特征转换
          • 调用决策树分类器
            • 模型评估
              • 自带评估
              • 评估器
          领券
          问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档