机器学习实战之树回归

“回归”与“树”

在讲解树回归之前,我们看看回归和树巧妙结合的原因。

线性回归的弊端
  • 线性回归需要拟合所有样本点,在特征多且特征关系复杂时,构建全局模型的想法就显得太难。
  • 实际生活中,问题很大程度上不是线性的,而是非线性的,所以线性回归的很容易欠拟合。
传统决策树弊端与改进

决策树可以解决数据的非线性问题,而且直观易懂,是否可以通过决策树来实现回归任务?

我们来回顾下之前讲过的决策树方法,其在划分子集的时候使用的方法是信息增益(我们也叫ID3方法),其方法只针对标称型(离散型)数据有效,很难用于回归;而且ID3算法切分过于迅速,容易过拟合,例如:一个特征有4个值,数据就会被切为四份,切分过后的特征在后面的过程中不再起作用。

CART(分类回归树)算法可以解决掉ID3的问题,该算法可用于分类和回归。我们来看看针对ID3算法的问题,CART算法是怎样解决的。

  • 信息增益无法切分连续型数据,如何计算连续型数据的混乱程度?其实,连续型的数据计算混乱程度很简单,根本不需要信息熵的理论。我们只需要计算平方误差的总值即可(先计算数据的均值,然后计算每条数据到均值的差值,进行平方求和)。
  • ID3方法切分太快,CART算法采用二元切分。

回归树

基于CART算法,当叶节点是分类值,就会是分类算法;如果是常数值(也就是回归需要预测的值),就可以实现回归算法。这里的常数值的求解很简单,就是该划分数据的均值。

数据情况

首先,利用代码带入数据,数据情况如图所示。

from numpy import \*



def loadDataSet(filename):

    dataMat = []

    fr = open(filename)

    for line in fr.readlines():

        curLine = line.strip().split('\t')

        fltLine = list(map(float,curLine))

        dataMat.append(fltLine)

    return dataMat
代码

其实CART算法直观(代码却比较多。。。),其实只用做两件事:切分数据和构造树。我们以这个数据为例:首先切分数据,找到一个中心点(平方误差的总值最小),这样就完成了划分(左下和右上),然后构造树(求左下和右上的均值为叶子节点)。我们来看代码:

def regLeaf(dataSet):

    return mean(dataSet[:,-1])



def regErr(dataSet):

    return var(dataSet[:,-1]) \* shape(dataSet)[0]



def chooseBestSplit(dataSet, leafType=regLeaf, errType=regErr, ops=(1,4)):

    tolS = ops[0];tolN = ops[1]

    if len(set(dataSet[:,-1].T.tolist()[0])) == 1:

        return None, leafType(dataSet)

    m,n = shape(dataSet)

    S = errType(dataSet)

    bestS = inf; bestIndex = 0;bestValue = 0

    for featIndex in range(n-1):

        for splitVal in set((dataSet[:,featIndex].T.tolist())[0]):

            mat0, mat1 = binSplitDataSet(dataSet, featIndex, splitVal)

            if (shape(mat0)[0] < tolN) or (shape(mat1)[0] < tolN): continue

            newS = errType(mat0) + errType(mat1)

            if newS < bestS:

                bestIndex = featIndex

                bestValue = splitVal

                bestS = newS

    if (S - bestS) < tolS:

        return None, leafType(dataSet)

    mat0, mat1 = binSplitDataSet(dataSet, bestIndex, bestValue)

    if (shape(mat0)[0] < tolN) or (shape(mat1)[0] < tolN):

        return None, leafType(dataSet)

    return bestIndex, bestValue



def binSplitDataSet(dataSet, feature, value):

    mat0 = dataSet[nonzero(dataSet[:, feature] > value)[0], :]

    mat1 = dataSet[nonzero(dataSet[:, feature] <= value)[0], :]

    return mat0,mat1



def createTree(dataSet, leafType=regLeaf, errType=regErr, ops=(1,4)):

    feat, val = chooseBestSplit(dataSet, leafType, errType, ops)

    if feat == None: return val

    retTree = {}

    retTree['spInd'] = feat

    retTree['spVal'] = val

    lSet, rSet = binSplitDataSet(dataSet, feat, val)

    retTree['left'] = createTree(lSet, leafType, errType, ops)

    retTree['right'] = createTree(rSet, leafType, errType, ops)

    return retTree

看下结果,和我想的是一致的。

模型树

回归树的叶节点是常数值,而模型树的叶节点是一个回归方程。

数据情况

读入数据进行可视化,你会发现,这种数据如果用回归树拟合效果不好,如果切分为两段,每段是一个回归方程,就可以很好的对数据进行拟合。

代码

前面的代码大部分是不变的,只需要少量修改就可以完成模型树。

def modelLeaf(dataSet):

    ws, X, Y = linearSolve(dataSet)

    return ws



def modelErr(dataSet):

    ws, X, Y = linearSolve(dataSet)

    yHat = X \* ws

    return sum(power(Y - yHat, 2))



def linearSolve(dataSet):

    m, n = shape(dataSet)

    X = mat(ones((m, n)))

    Y = mat(ones((m, 1)))

    X[:, 1: n] = dataSet[:, 0: n-1]

    Y = dataSet[:, -1]

    xTx = X.T \* X

    if linalg.det(xTx) == 0.0:

        raise NameError('错误')

    ws = xTx.I \* (X.T \* Y)

    return ws, X, Y

结果如图所示:

算法优缺点

  • 优点:可对复杂数据进行建模
  • 缺点:容易过拟合

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

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

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏AI研习社

如何使用注意力模型生成图像描述?

我们的目标是用一句话来描述图片, 比如「一个冲浪者正在冲浪」。 本教程中用到了基于注意力的模型,它使我们很直观地看到当文字生成时模型会关注哪些部分。

1662
来自专栏决胜机器学习

从机器学习学python(四) ——numpy矩阵广播及一些技巧

从机器学习学python(四)——numpy矩阵广播及一些技巧 (原创内容,转载请注明来源,谢谢) 在学ng的深度学习微专业时,其中有几节课讲到numpy的一...

4094
来自专栏杨熹的专栏

机器学习算法应用中常用技巧-2

7. 降维-PCA n_components为降到多少维,用原数据fit后,再用transform转换成降维后的数据。 from sklearn.decompo...

3614
来自专栏梦里茶室

TensorFlow 深度学习笔记 TensorFlow实现与优化深度神经网络

全连接神经网络 辅助阅读:TensorFlow中文社区教程 - 英文官方教程 代码见:full_connect.py Linear Model 加载lesso...

20610
来自专栏小鹏的专栏

机器学习算法应用中常用技巧-2

7. 降维-PCA n_components为降到多少维,用原数据fit后,再用transform转换成降维后的数据。 from sklearn.decom...

18710
来自专栏有趣的Python和你

机器学习实战之树回归

1415
来自专栏机器学习养成记

决策树(R语言)

决策树是有监督学习算法中的一种。基于属性做一系列的决策,每次决策要么进入下一级决策,要么生成最终结果。决策树可以作为集成算法中的基分类器,并且有最为广泛的应用。...

32811
来自专栏深度学习自然语言处理

深度学习之卷积神经网络CNN理论与实践详解

概括 大体上简单的卷积神经网络是下面这个网络流程: ? 笼统的说: 文本通过Embeding Layer 后,再通过一些filters进行过滤,...

36615
来自专栏大数据挖掘DT机器学习

用python实现支持向量机对婚介数据的用户配对预测

网上有人用libsvm2.89在Python2.6成功。(一定要libsvm2.89搭配python2.6,其他版本都不能成功,我就是浪费了大量时间在这里!) ...

3585
来自专栏梦里茶室

TensorFlow 深度学习笔记 卷积神经网络

Convolutional Networks deep dive into images and convolutional models Convnet Ba...

2068

扫码关注云+社区