sklearn调包侠之决策树算法

决策树原理

之前我们详细讲解过决策树的原理，详细内容可以参考该链接（https://www.jianshu.com/p/0dd283516cbe）。

改进算法

但使用信息增益作为特征选择指标（ID3算法）容易造成过拟合。举一个简单例子，每个类别如果都有一个唯一ID，通过ID这个特征就可以简单分类，但这并不是有效的。为了解决这个问题，有了C4.5和CART算法，其区别如下所示：

ID3 是信息增益划分

C4.5 是信息增益率划分

CART 做分类工作时，采用 GINI 值作为节点分裂的依据

实战——泰坦尼克号生还预测

数据导入与预处理

该数据可在kaggle网站下载，这里我们先通过pandas读入数据。

首先，对于一些不重要的信息进行删除（例如Name）；我们都知道，机器学习是没法对字符串进行计算的，这里需要把Sex、Embarked转换为整数类型。

然后，Embarked有缺失值，我们通过seaborn进行可视化，发现S值最多，所以通过S值进行缺失值填充。

年龄字段也有缺失值，我们通过绘制直方图，发现基本呈正态分布，于是使用平均值来填充缺失值。

处理完成后的数据如下：

切分数据集

模型训练与评估

决策树算法使用sklearn.tree模块中的DecisionTreeClassifier方法。该方法有一系列参数来控制决策树生成过程，从而解决过拟合问题（具体可看sklearn的官方文档）。常用的参数如下：

criterion：算法选择。一种是信息熵（entropy），一种是基尼系数（gini），默认为gini。

max_depth：指定数的最大深度。

minsamplessplit：默认为2，指定能创建分支的数据集大小。

minimpuritydecrease：指定信息增益的阈值。

首先，我们不对参数进行调整。

我们用交叉验证查看模型的准确度，发现模型的精度并不是很高。

模型调优

我们可以设置不同的参数，对模型进行调优，这里以max_depth为例，定义函数，求出最好的参数。

网格搜索

但这种方法存在这两个问题：

结果不稳定。当划分不同的数据集时，可能结果都一样。

不能选择多参数。当需要多参数进行调优时，代码量会变的很多（多次嵌套循环）。

为了解决这些问题，sklearn提供GridSearchCV方法。