使用 sklearn 构建决策树并使用 Graphviz 绘制树结构

1. 概述

之前两篇文章，我们系统性的介绍了决策树的构建算法、构建流程、展示与决策：

本文，我们来介绍如何使用 sklearn 构建决策树。

2. sklearn

之前我们已经介绍和使用过 python 的 sklearn 包：

K 近邻算法

sklearn 也提供了决策树明星，用于解决分类和回归问题。

http://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html。

3. sklearn.tree.DecisionTreeClassifier 构造参数

sklearn.tree.DecisionTreeClassifier 类就是我们需要的决策树类，它具有如下构造参数：

sklearn.tree.DecisionTreeClassifier 类构造参数

3.1. max_features 参数取值

max_features 参数指节点分裂时参与判断的最大特征数，可以的取值有：

int — 特征个数

float — 占所有特征的百分比

‘auto’ — 特征总数的开方

‘sqrt’ — 特征总数的开方

‘log2’ — 特征总数的 log2

None — 特征总数

3.2. class_weight 参数取值

指定样本各类别的的权重。

可选参数有：

None — 所有样本类别权重均为 1

dict — 对应单条输出结果，每个样本类别的权重：

字典的 list — 对应多条输出结果： [, , , ]

‘balanced’ — sklearn 按照样本量自动计算权重：样本数/(类别数 * np.bincount(y))

3.3. 参数优化

模型的构建参数可以从以下条件考虑优化：

splitter — 特征划分点选择标准，样本量大时，使用 best 会导致训练时间过长，推荐 random

max_depth — 决策树的最大深度，样本量大时，推荐限制最大深度取 10 到 100 之间

min_weight_fraction_leaf — 叶子节点最小的样本总权重，如果我们有较多样本有缺失值，或者分类树样本的分布类别偏差很大，需要调整叶子节点的样本权重

max_leaf_nodes — 最大叶子节点数，设定这个参数可以防止过拟合，如果特征分成多的话，可以加以限制，具体的值可以通过交叉验证得到

class_weight — 指定样本各类别的的权重，主要是为了防止训练集某些类别的样本过多，导致训练的决策树过于偏向这些类别

presort — 样本量大的时候设置为 True 会降低执行效率，推荐置为 False

4. sklearn.tree.DecisionTreeClassifier 的属性

sklearn.tree.DecisionTreeClassifier 具有以下成员属性。

sklearn.tree.DecisionTreeClassifier 的成员属性

5. sklearn.tree.DecisionTreeClassifier 成员函数

apply(X[, check_input]) — 返回样本在叶子节点中的索引，check_input 为 False 则绕过所有参数检测

decision_path(X[, check_input]) — 返回样本的决策路径

fit(X, y[, sample_weight, check_input, …]) — 训练样本

get_params([deep=True]) — 获取全部参数，deep 为 True 则包含子对象

predict(X[, check_input]) — 预测 X 所属分类

predict_log_proba(X) — 预测 X 所属分类的对数几率

predict_proba(X[, check_input=True]) — 预测 X 属于所有分类的可能性，check_input 为 False 则绕过所有参数检测

score(X, y[, sample_weight]) — 为模型打分，可以通过 sample_weight 参数指定样本权重

set_params(**params) — 设置所有参数

6. 用 sklearn 解决高尔夫预测问题

还是回到我们上一篇文章中的根据天气预测是否打高尔夫球的问题：

输出了：

7. 特征序列化 — sklearn.preprocessing.LabelEncoder

因为 sklearn 只能进行数值型运算，不能处理我们的字符串样本和结果，所以上面的代码中我们简单地进行了样本与数值的映射、存储和转化的序列化过程。

事实上，sklearn 也提供了序列化工具 — sklearn.preprocessing.LabelEncoder：

http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.LabelEncoder.html。

可以方便的对结果进行转化：

7.1. 实例

下面，我们基于 sklearn.preprocessing.LabelEncoder 来对样本进行序列化工作：

8. 绘制树结构 — Graphviz

决策树最大的优点是我们可以查看最终的树结构，上一篇日志中，我们通过 matplotlib 展示了我们自己的树结构。

但是 matplotlib 绘制树结构较为复杂，我们这里来了解一个更为易用的绘图工具 — Graphviz。

Graphviz 不能通过 pip 直接安装，需要我们手动在官网下载并安装：

https://graphviz.gitlab.io/about/

安装完成以后，需要在环境变量 Graphviz 的 bin 路径。

然后，我们需要安装 pydotplus，你也可以选择安装 pydot，这里我们以 pydotplus 为例，使用 pydot 可以在网上找到示例代码。

然后我们编写代码：

保存图片的部分其实只需要下面几行：

这样我们就以 PDF 格式保存了图片：

9. InvocationException: GraphViz’s executables not found

开始的时候，遇到了报错：

这个问题产生的原因是 pydotplus 没有找到 Graphviz 的执行路径，大部分原因是环境变量的设置问题，也有可能是先安装了 pydotplus 后安装了 Graphviz 造成的。

有一个最简单的解决办法就是手动添加执行路径，正如上文代码中所写：

10. 参考资料

Peter Harrington 《机器学习实战》。

http://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html。

http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.LabelEncoder.html。

https://graphviz.gitlab.io/_pages/Download/Download_windows.html。

https://qiita.com/wm5775/items/1062cc1e96726b153e28。

https://blog.csdn.net/c406495762/article/details/76262487。

https://blog.csdn.net/hujiameihuxu/article/details/79490150。

https://blog.csdn.net/liujingqiu/article/details/77340439。

https://blog.csdn.net/wuchangi/article/details/79589542。