在这篇文章中,我将使用python中的决策树(用于分类)。重点将放在基础知识和对最终决策树的理解上。
因此,首先我们进行一些导入。
from __future__ import print_functionimport osimport subprocessimport pandas as pdimport numpy as npfrom sklearn.tree import DecisionTreeClassifier, export_graphviz
接下来,我们需要考虑一些数据。我将使用著名的iris数据集,该数据集可对各种不同的iris类型进行各种测量。pandas和sckit-learn都可以轻松导入这些数据,我将使用pandas编写一个从csv文件导入的函数。这样做的目的是演示如何将scikit-learn与pandas一起使用。因此,我们定义了一个获取iris数据的函数:
def get_iris_data(): """Get the iris data, from local csv or pandas repo.""" if os.path.exists("iris.csv"): print("-- iris.csv found locally") df = pd.read_csv("iris.csv", index_col=0) else: print("-- trying to download from github") fn = "https://raw.githubusercontent.com/pydata/pandas/" + \ "master/pandas/tests/data/iris.csv" try: df = pd.read_csv(fn) except: exit("-- Unable to download iris.csv") with open("iris.csv", 'w') as f: print("-- writing to local iris.csv file") df.to_csv(f) return df
下一步是获取数据,并使用head()和tail()方法查看数据的样子。因此,首先获取数据:
df = get_iris_data()-- iris.csv found locally
然后 :
print("* df.head()", df.head(), sep="\n", end="\n\n")print("* df.tail()", df.tail(), sep="\n", end="\n\n")* df.head() SepalLength SepalWidth PetalLength PetalWidth Name0 5.1 3.5 1.4 0.2 Iris-setosa1 4.9 3.0 1.4 0.2 Iris-setosa2 4.7 3.2 1.3 0.2 Iris-setosa3 4.6 3.1 1.5 0.2 Iris-setosa4 5.0 3.6 1.4 0.2 Iris-setosa* df.tail() SepalLength SepalWidth PetalLength PetalWidth Name145 6.7 3.0 5.2 2.3 Iris-virginica146 6.3 2.5 5.0 1.9 Iris-virginica147 6.5 3.0 5.2 2.0 Iris-virginica148 6.2 3.4 5.4 2.3 Iris-virginica149 5.9 3.0 5.1 1.8 Iris-virginica
从这些信息中,我们可以讨论我们的目标:给定特征SepalLength, SepalWidth, PetalLength 和PetalWidth来预测iris类型。
为了将这些数据传递到scikit-learn,我们需要将Names编码为整数。为此,我们将编写另一个函数,并返回修改后的数据框以及目标(类)名称的列表:
让我们看看有什么:
* df2.head() Target Name0 0 Iris-setosa1 0 Iris-setosa2 0 Iris-setosa3 0 Iris-setosa4 0 Iris-setosa* df2.tail() Target Name145 2 Iris-virginica146 2 Iris-virginica147 2 Iris-virginica148 2 Iris-virginica149 2 Iris-virginica* targets['Iris-setosa' 'Iris-versicolor' 'Iris-virginica']
接下来,我们获得列的名称:
features = list(df2.columns[:4])print("* features:", features, sep="\n")* features:['SepalLength', 'SepalWidth', 'PetalLength', 'PetalWidth']
现在,我们可以使用 上面导入的DecisionTreeClassifier拟合决策树,如下所示:
我们可以使用以下功能生成图形:
运行函数:
visualize_tree(dt, features)
结果
我们可以使用此图来了解决策树发现的模式:
最后,我们考虑生成代表学习的决策树的伪代码。
应用于iris数据的结果输出为:
get_code(dt, features, targets)if ( PetalLength <= 2.45000004768 ) { return Iris-setosa ( 50 examples )}else { if ( PetalWidth <= 1.75 ) { if ( PetalLength <= 4.94999980927 ) { if ( PetalWidth <= 1.65000009537 ) { return Iris-versicolor ( 47 examples ) } else { return Iris-virginica ( 1 examples ) } } else { return Iris-versicolor ( 2 examples ) return Iris-virginica ( 4 examples ) } } else { if ( PetalLength <= 4.85000038147 ) { return Iris-versicolor ( 1 examples ) return Iris-virginica ( 2 examples ) } else { return Iris-virginica ( 43 examples ) } }}
将其与上面的图形输出进行比较-这只是决策树的不同表示。
首先,我们导入所有代码:
from __future__ import print_functionimport osimport subprocessfrom time import timefrom operator import itemgetterfrom scipy.stats import randintimport pandas as pdimport numpy as npfrom sklearn.tree import DecisionTreeClassifierfrom sklearn.tree import export_graphvizfrom sklearn.grid_search import GridSearchCVfrom sklearn.grid_search import RandomizedSearchCVfrom sklearn.cross_validation import cross_val_score
主要添加的内容是sklearn.grid_search中的方法,它们可以:
现在我们可以开始编写函数了。
包括:
接下来,我们添加一些新功能来进行网格和随机搜索,并报告找到的主要参数。首先是报告。此功能从网格或随机搜索中获取输出,打印模型的报告并返回最佳参数设置。
网格搜索
接下来是run_gridsearch。该功能需要
param_grid是一组参数,这将是作测试,要注意不要列表中有太多的选择。
随机搜寻
接下来是run_randomsearch函数,该函数从指定的列表或分布中采样参数。与网格搜索类似,参数为:
好的,我们已经定义了所有函数。
获取数据
接下来,让我们使用上面设置的搜索方法来找到合适的参数设置。首先进行一些初步准备-获取数据并构建目标数据:
print("\n-- get data:")df = get_iris_data()print("")features = ["SepalLength", "SepalWidth", "PetalLength", "PetalWidth"]df, targets = encode_target(df, "Name")y = df["Target"]X = df[features]-- get data:-- iris.csv found locally
第一次交叉验证
在下面的所有示例中,我将使用10倍交叉验证。
使用当前参数设置,在所有组合上重复此操作,以产生十个模型精度估计。通常会报告十个评分的平均值和标准偏差。
print("-- 10-fold cross-validation " "[using setup from previous post]")dt_old = DecisionTreeClassifier(min_samples_split=20, random_state=99)dt_old.fit(X, y)scores = cross_val_score(dt_old, X, y, cv=10)print("mean: {:.3f} (std: {:.3f})".format(scores.mean(), scores.std()), end="\n\n" )-- 10-fold cross-validation [using setup from previous post]mean: 0.960 (std: 0.033)
0.960还不错。这意味着平均准确性(使用经过训练的模型进行正确分类的百分比)为96%。该精度非常高,但是让我们看看是否可以找到更好的参数。
网格搜索的应用
首先,我将尝试网格搜索。字典para_grid提供了要测试的不同参数设置。
print("-- Grid Parameter Search via 10-fold CV")dt = DecisionTreeClassifier()ts_gs = run_gridsearch(X, y, dt, param_grid, cv=10)-- Grid Parameter Search via 10-fold CVGridSearchCV took 5.02 seconds for 288 candidate parameter settings.Model with rank: 1Mean validation score: 0.967 (std: 0.033)Parameters: {'min_samples_split': 10, 'max_leaf_nodes': 5,'criterion': 'gini', 'max_depth': None, 'min_samples_leaf': 1}Model with rank: 2Mean validation score: 0.967 (std: 0.033)Parameters: {'min_samples_split': 20, 'max_leaf_nodes': 5,'criterion': 'gini', 'max_depth': None, 'min_samples_leaf': 1}Model with rank: 3Mean validation score: 0.967 (std: 0.033)Parameters: {'min_samples_split': 10, 'max_leaf_nodes': 5,'criterion': 'gini', 'max_depth': 5, 'min_samples_leaf': 1}
在大多数运行中,各种参数设置的平均值为0.967。这意味着从96%改善到96.7%!我们可以看到最佳的参数设置ts_gs,如下所示:
print("\n-- Best Parameters:")for k, v in ts_gs.items(): print("parameter: {:<20s} setting: {}".format(k, v))-- Best Parameters:parameter: min_samples_split setting: 10parameter: max_leaf_nodes setting: 5parameter: criterion setting: giniparameter: max_depth setting: Noneparameter: min_samples_leaf setting: 1
并复制交叉验证结果:
# test the retuned best parametersprint("\n\n-- Testing best parameters [Grid]...")dt_ts_gs = DecisionTreeClassifier(**ts_gs)scores = cross_val_score(dt_ts_gs, X, y, cv=10)print("mean: {:.3f} (std: {:.3f})".format(scores.mean(), scores.std()), end="\n\n" )-- Testing best parameters [Grid]...mean: 0.967 (std: 0.033)
接下来,让我们使用获取最佳树的伪代码:
print("\n-- get_code for best parameters [Grid]:", end="\n\n")dt_ts_gs.fit(X,y)get_code(dt_ts_gs, features, targets)-- get_code for best parameters [Grid]:if ( PetalWidth <= 0.800000011921 ) { return Iris-setosa ( 50 examples )}else { if ( PetalWidth <= 1.75 ) { if ( PetalLength <= 4.94999980927 ) { if ( PetalWidth <= 1.65000009537 ) { return Iris-versicolor ( 47 examples ) } else { return Iris-virginica ( 1 examples ) } } else { return Iris-versicolor ( 2 examples ) return Iris-virginica ( 4 examples ) } } else { return Iris-versicolor ( 1 examples ) return Iris-virginica ( 45 examples ) }}
我们还可以制作决策树的图形:
visualize_tree(dt_ts_gs, features, fn="grid_best")
随机搜索的应用
接下来,我们尝试使用随机搜索方法来查找参数。在此示例中,我使用288个样本,以便测试的参数设置数量与上面的网格搜索相同:
与网格搜索一样,这通常会找到平均精度为0.967或96.7%的多个参数设置。如上所述,最佳交叉验证的参数为:
print("\n-- Best Parameters:")for k, v in ts_rs.items(): print("parameters: {:<20s} setting: {}".format(k, v))-- Best Parameters:parameters: min_samples_split setting: 12parameters: max_leaf_nodes setting: 5parameters: criterion setting: giniparameters: max_depth setting: 19parameters: min_samples_leaf setting: 1
并且,我们可以再次测试最佳参数:
# test the retuned best parameters )-- Testing best parameters [Random]...mean: 0.967 (std: 0.033)
要查看决策树是什么样的,我们可以生成伪代码以获得最佳随机搜索结果
并可视化树
visualize_tree(dt_ts_rs, features, fn="rand_best")
因此,我们使用了带有交叉验证的网格和随机搜索来调整决策树的参数。在这两种情况下,从96%到96.7%的改善都很小。当然,在更复杂的问题中,这种影响会更大。最后几点注意事项:
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。