机器学习应用篇（五）——决策树分类实例
文章目录
- 机器学习应用篇（五）——决策树分类实例
* - 一、数据集
- 二、实现过程
– - 三、KEYS
–
一、数据集
小企鹅数据集，提取码：xqee
该数据集一共包含8个变量，其中7个特征变量，1个目标分类变量。共有150个样本，目标变量为 企鹅的类别 其都属于企鹅类的三个亚属，分别是(Adélie, Chinstrap and Gentoo)。包含的三种种企鹅的七个特征，分别是所在岛屿，嘴巴长度，嘴巴深度，脚蹼长度，身体体积，性别以及年龄。
二、实现过程
1 数据特征分析
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data = pd.read_csv('D:\Python\ML\data\penguins_raw.csv')
data = data[['Species','Culmen Length (mm)','Culmen Depth (mm)',
'Flipper Length (mm)','Body Mass (g)']]
data.info()
print(data.head())
data=data.fillna(-1)
print(data.tail())
print(data['Species'].unique())
print(pd.Series(data['Species']).value_counts())
print(data.describe())
sns.pairplot(data=data,diag_kind='hist',hue='Species')
plt.show()
def trans(x):
if x == data['Species'].unique()[0]:
return 0
if x == data['Species'].unique()[1]:
return 1
if x == data['Species'].unique()[2]:
return 2
data['Species'] = data['Species'].apply(trans)
for col in data.columns:
if col != 'Species':
sns.boxplot(x='Species', y=col, saturation=0.5, palette='pastel', data=data)
plt.title(col)
plt.show()
plt.figure()
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure(figsize=(10,8))
ax = fig.add_subplot(111, projection='3d')
data_class0 = data[data['Species']==0].values
data_class1 = data[data['Species']==1].values
data_class2 = data[data['Species']==2].values
ax.scatter(data_class0[:,0], data_class0[:,1], data_class0[:,2],label=data['Species'].unique()[0])
ax.scatter(data_class1[:,0], data_class1[:,1], data_class1[:,2],label=data['Species'].unique()[1])
ax.scatter(data_class2[:,0], data_class2[:,1], data_class2[:,2],label=data['Species'].unique()[2])
plt.legend()
plt.show()
运行结果
2 利用决策树模型在二分类上进行训练和预测
from sklearn.model_selection import train_test_split
data_target_part = data[data['Species'].isin([0,1])][['Species']]
data_features_part = data[data['Species'].isin([0,1])][['Culmen Length (mm)','Culmen Depth (mm)',
'Flipper Length (mm)','Body Mass (g)']]
x_train, x_test, y_train, y_test = train_test_split(
data_features_part, data_target_part, test_size = 0.2, random_state = 2020)
from sklearn.tree import DecisionTreeClassifier
from sklearn import tree
clf = DecisionTreeClassifier(criterion='entropy')
clf.fit(x_train, y_train)
import pydotplus
dot_data = tree.export_graphviz(clf, out_file=None)
graph = pydotplus.graph_from_dot_data(dot_data)
graph.write_png("D:\Python\ML\DTpraTree.png")
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)
from sklearn import metrics
print('The accuracy of the train_DecisionTree is:',metrics.accuracy_score(y_train,train_predict))
print('The accuracy of the test_DecisionTree is:',metrics.accuracy_score(y_test,test_predict))
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()
运行结果
3 利用决策树模型在多分类（三分类）上进行训练与预测
x_train, x_test, y_train, y_test = train_test_split(data[['Culmen Length (mm)','Culmen Depth (mm)',
'Flipper Length (mm)','Body Mass (g)']], data[['Species']], test_size = 0.2, random_state = 2020)
clf = DecisionTreeClassifier()
clf.fit(x_train, y_train)
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)
train_predict_proba = clf.predict_proba(x_train)
test_predict_proba = clf.predict_proba(x_test)
print('The test predict Probability of each class:\n',test_predict_proba)
print('The accuracy of the train_DecisionTree is:',metrics.accuracy_score(y_train,train_predict))
print('The accuracy of the test_DecisionTree is:',metrics.accuracy_score(y_test,test_predict))
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()
运行结果
三、KEYS
1 构建过程
决策树的构建过程是一个递归的过程，函数存在三种返回状态：
- 当前节点包含的样本全部属于同一类别，无需继续划分
- 当前属性集为空或者所有样本在某个属性上的取值相同，无法继续划分
- 当前节点包含的样本几何为空，无法划分
2 划分选择
决策树构建的关键是从特征集中选择最优划分属性，一般大家希望决策树每次划分节点中包含的样本尽量属于同一类别，也就是节点的”纯度”最高
- 信息熵：衡量数据混乱程度的指标，信息熵越小，数据的”纯度”越高
- 基尼指数：反应了从数据集中随机抽取两个类别的标记不一致的概率
3 重要参数
- criterion：用来决定模型特征选择的计算方法，sklearn提供两种方法：
*
entropy：使用信息熵
*
gini：使用基尼系数
- random_state&splitte：
*
random_state用于设置分支的随机模式的参数
*
splitter用来控制决策树中的随机选项
- max_depth：限制数的深度
- min_samples_leaf：一个节点在分支之后的每个子节点都必须包含至少几个训练样本。该参数设置太小，会出现过拟合现象，设置太大会阻止模型学习数据
886~~
Original: https://blog.csdn.net/qq_43368987/article/details/122376146
Author: 柚子味的羊
Title: 机器学习应用篇（五）——决策树分类实例
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/614630/
转载文章受原作者版权保护。转载请注明原作者出处！