sklearn中的決策樹(shù)

sklearn 中的決策樹(shù)實(shí)現(xiàn)使用的是CART（Classification and Regression Trees）算法

sklearn中的決策樹(shù)都在 sklearn.tree 這個(gè)模塊下。

基本使用

以紅酒數(shù)據(jù)集和波士頓房?jī)r(jià)數(shù)據(jù)集為例，sklearn中的分類(lèi)樹(shù)和回歸樹(shù)的簡(jiǎn)單使用如下：

# 導(dǎo)包
from sklearn.datasets import load_wine, load_boston
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier, DecisionTreeRegressor
# 分類(lèi)樹(shù)
data_wine = load_wine()  # 加載紅酒數(shù)據(jù)集
# 劃分訓(xùn)練集和測(cè)試集
X_train, X_test, y_train, y_test = train_test_split(data_wine.data, data_wine.target, test_size=0.3, random_state=42)
clf = DecisionTreeClassifier()  # 分類(lèi)樹(shù)
clf.fit(X_train, y_train)  # 擬合訓(xùn)練集
print(clf.predict(X_train))  # 輸出測(cè)試集的預(yù)測(cè)結(jié)果
print(clf.score(X_test, y_test))  # 測(cè)試集上的準(zhǔn)確率
# 回歸樹(shù)
data_boston = load_boston()  # 加載波士頓房?jī)r(jià)數(shù)據(jù)集
# 劃分訓(xùn)練集和測(cè)試集
X_train, X_test, y_train, y_test = train_test_split(data_boston.data, data_boston.target, test_size=0.3, random_state=42)
regressor = DecisionTreeRegressor()  # 回歸樹(shù)
regressor.fit(X_train, y_train)  # 擬合訓(xùn)練集
print(regressor.predict(X_train))   # 測(cè)試集的預(yù)測(cè)結(jié)果
print(regressor.score(X_test, y_test))   # 測(cè)試集上的決定系數(shù) R2

常用屬性和接口

• .feature_importances_：每個(gè)特征的特征重要性，總和為1
• .apply()：與predict不同，例如輸入為X_test，apply返回的則是測(cè)試樣本所在葉子節(jié)點(diǎn)的索引

幾乎每個(gè)模型都有的接口如訓(xùn)練和預(yù)測(cè)就不說(shuō)明了.

決策樹(shù)的 .score()接口的計(jì)算方法：

• 分類(lèi)樹(shù)：使用Accuracy(準(zhǔn)確度)作為指標(biāo)，準(zhǔn)確度=
  預(yù)測(cè)正確的樣本數(shù)?/總體樣數(shù)
• 回歸樹(shù)：使用決定系數(shù) R2R^2R2 作為指標(biāo)，[0,1]，越接近1表示效果越好，反之越差

本文主要講解分類(lèi)樹(shù)和回歸樹(shù)的常用參數(shù)。

注：本文的說(shuō)明都不是絕對(duì)的，不存在某種情況下某種說(shuō)法一定就是正確的。

參數(shù)說(shuō)明

以下參數(shù)說(shuō)明是針對(duì)分類(lèi)樹(shù)的，對(duì)于回歸樹(shù)，幾乎所有參數(shù)、屬性及接口都和分類(lèi)樹(shù)一模一樣。需要注意的是，在回歸樹(shù)中，沒(méi)有標(biāo)簽分布是否均衡的問(wèn)題，因此沒(méi)有class_weight這樣的參數(shù)。

sklearn中分類(lèi)樹(shù)和回歸樹(shù)的默認(rèn)參數(shù)

• 分類(lèi)樹(shù)：

DecisionTreeClassifier(ccp_alpha=0.0, class_weight=None, criterion='gini',
                       max_depth=None, max_features=None, max_leaf_nodes=None,
                       min_impurity_decrease=0.0, min_impurity_split=None,
                       min_samples_leaf=1, min_samples_split=2,
                       min_weight_fraction_leaf=0.0, presort='deprecated',
                       random_state=None, splitter='best')

• 回歸樹(shù)：

DecisionTreeRegressor(ccp_alpha=0.0, criterion='mse', max_depth=None,
                      max_features=None, max_leaf_nodes=None,
                      min_impurity_decrease=0.0, min_impurity_split=None,
                      min_samples_leaf=1, min_samples_split=2,
                      min_weight_fraction_leaf=0.0, presort='deprecated',
                      random_state=None, splitter='best')

本文涉及的參數(shù)和調(diào)優(yōu)說(shuō)明：

• criterion
• random_state
• splitter
• max_depth
• min_samples_leaf
• min_samples_split
• max_features
• min_impurity_decrease
• class_weight
• class_weight_fraction_leaf

本文主要就以上這十個(gè)常用參數(shù)進(jìn)行說(shuō)明和講解.

criterion

criterion：規(guī)則，原則(英文直譯)

criterion：該參數(shù)用于決定決策樹(shù)來(lái)計(jì)算不純度的方法，共有兩種選擇

• 'entropy'：信息熵
• 'gini'：Gini系數(shù)，默認(rèn)值

參數(shù)說(shuō)明：

• 信息熵和基尼系數(shù)的效果基本相同
• 使用信息熵速度會(huì)相對(duì)更慢一些，因?yàn)樾畔㈧氐挠?jì)算(存在對(duì)數(shù))比Gini系數(shù)的計(jì)算相對(duì)更復(fù)雜一些
• 信息熵對(duì)不純度更加敏感，對(duì)不純度的懲罰相對(duì)更強(qiáng)，使用信息熵作為指標(biāo)時(shí)決策樹(shù)的生長(zhǎng)會(huì)更加 "精細(xì)"，更容易過(guò)擬合
• 當(dāng)模型欠擬合時(shí)(訓(xùn)練集測(cè)試集表現(xiàn)都差)可以嘗試使用信息熵，當(dāng)模型過(guò)擬合時(shí)(訓(xùn)練集好測(cè)試集差)可以嘗試使用Gini系數(shù)

一般情況下使用Gini系數(shù)，當(dāng)數(shù)據(jù)維度很高、噪音很大的時(shí)候使用Gini系數(shù)；維度低、數(shù)據(jù)相對(duì)清晰的時(shí)候信息熵和Gini系數(shù)區(qū)別不大；當(dāng)決策樹(shù)的擬合程度不夠(欠擬合)時(shí)，使用信息熵。

對(duì)于回歸樹(shù)，criterion支持的標(biāo)準(zhǔn)為三種：

• 'mse' (默認(rèn))：均方誤差mean squared error(MSE)，父節(jié)點(diǎn)和葉子節(jié)點(diǎn)之間的均方誤差的差額將被用來(lái)作為 特征選擇的標(biāo)準(zhǔn)，這種方法通過(guò)使用葉子節(jié)點(diǎn)的均值來(lái)最小化損失
• 'friedman_mse'：使用費(fèi)爾德曼均方誤差，這種指標(biāo)使用弗里德曼針對(duì)潛在分枝中的問(wèn)題改進(jìn)后的均方誤差
• 'mae'：使用絕對(duì)平均誤差MAE（mean absolute error），這種指標(biāo)使用葉節(jié)點(diǎn)的中值來(lái)最小化損失

在回歸樹(shù)中，MSE不只是我們的分枝質(zhì)量衡量指標(biāo)，也是我們最常用的衡量回歸樹(shù)回歸質(zhì)量的指標(biāo)，我們往往選擇均方誤差作為我們的評(píng)估標(biāo)準(zhǔn)

雖然均方誤差永遠(yuǎn)為正，但是sklearn當(dāng)中使用均方誤差作為評(píng)判標(biāo)準(zhǔn)時(shí)，卻是計(jì)算 "負(fù)均方誤差"（neg_mean_squared_error）。

• 這是因?yàn)閟klearn在計(jì)算模型評(píng)估指標(biāo)的時(shí)候，會(huì)考慮指標(biāo)本身的性質(zhì)，均 方誤差本身是一種誤差，所以被sklearn劃分為模型的一種損失(loss)，因此在sklearn當(dāng)中，都以負(fù)數(shù)表示。真正的均方誤差MSE的數(shù)值，其實(shí)就是neg_mean_squared_error去掉負(fù)號(hào)的數(shù)字。

random_state & splitter

splitter：分離器 (英文直譯)

random_state：用來(lái)設(shè)置分枝中的隨機(jī)模式的參數(shù)，默認(rèn)None，在高維度時(shí)隨機(jī)性會(huì)表現(xiàn)更明顯，對(duì)于低維度的數(shù)據(jù)，隨機(jī)性幾乎不會(huì)顯現(xiàn)。輸入任意整數(shù)，會(huì)一直長(zhǎng)出同一棵樹(shù)，讓模型穩(wěn)定下來(lái)。

sklearn中的決策樹(shù)都是會(huì)先對(duì)原本所有的特征隨機(jī)選取其中一部分用來(lái)建模，random_state的值不同，隨機(jī)選取的情況可能也不同，當(dāng)random_state為None時(shí)，每次都會(huì)重新進(jìn)行隨機(jī)選取。

splitter：用來(lái)控制決策樹(shù)中的隨機(jī)選項(xiàng)，有兩種輸入值：

• 'best' (默認(rèn)值)：決策樹(shù)在分枝時(shí)雖然隨機(jī)，但是還是會(huì)優(yōu)先選擇更重要的特征進(jìn)行分枝（重要性可以通過(guò)屬性feature_importances_查看）
• 'random'：決策樹(shù)在分枝時(shí)會(huì)更加隨機(jī)，樹(shù)會(huì)因?yàn)楹懈嗟牟槐匾畔⒍罡?，并因這些不必要信息而降低對(duì)數(shù)據(jù)集的擬合程度。

控制決策樹(shù)在選取特征時(shí)的隨機(jī)程度也是防止過(guò)擬合的一種方式。當(dāng)你預(yù)測(cè)到你的模型會(huì)過(guò)擬合，用這兩個(gè)參數(shù)來(lái)幫助你降低樹(shù)建成之后過(guò)擬合的可能性。

剪枝參數(shù)

在不加限制的情況下，一棵決策樹(shù)會(huì)生長(zhǎng)到衡量不純度的指標(biāo)最優(yōu)的情況，或者沒(méi)有更多的特征可用為止，這樣的決策樹(shù)模型往往會(huì)過(guò)擬合。為了讓決策樹(shù)有更好的泛化性，我們要對(duì)決策樹(shù)進(jìn)行剪枝。

剪枝策略對(duì)決策樹(shù)的影響巨大，正確的剪枝策略是優(yōu)化決策樹(shù)算法的核心

max_depth：限制樹(shù)的最大深度，超過(guò)設(shè)定深度的樹(shù)枝全部剪掉

• 默認(rèn)值為 None，即不做限制
• 這是用得最廣泛的剪枝參數(shù)，在高維度低樣本量時(shí)非常有效。決策樹(shù)多生長(zhǎng)一層，對(duì)樣本量的需求會(huì)增加近似一倍，所以限制樹(shù)深度能夠有效地限制過(guò)擬合。在集成算法中也非常實(shí)用。實(shí)際使用時(shí)，建議從 3 開(kāi)始嘗試，看看擬合的效 果再?zèng)Q定是否增加設(shè)定深度。

min_samples_leaf：一個(gè)節(jié)點(diǎn)在分支后的每個(gè)子節(jié)點(diǎn)都必須包含至少 min_samples_leaf 個(gè)訓(xùn)練樣本，否則分枝就不會(huì)發(fā)生。

• 默認(rèn)值為 1
• 一般搭配 max_depth 使用，在回歸樹(shù)中有神奇的效果，可以讓模型變得更加平滑。這個(gè)參數(shù)的數(shù)量設(shè)置得太小可能會(huì)引起過(guò)擬合，設(shè)置得太大可能會(huì)欠擬合，一般從 5 開(kāi)始調(diào)整
• 如果葉節(jié)點(diǎn)中含有的樣本量變化很大，建議輸入浮點(diǎn)數(shù)作為樣本量的百分比來(lái)使用：當(dāng)輸入為浮點(diǎn)數(shù)時(shí)，例如0.05，則表示 樣本量*0.05 作為參數(shù)值
• 這個(gè)參數(shù)可以保證每個(gè)葉子的最小尺寸，可以在回歸問(wèn)題中避免高方差，過(guò)擬合的葉子節(jié)點(diǎn)出現(xiàn)。
• 對(duì)于類(lèi)別不多的分類(lèi)問(wèn)題，1 通常就是最佳選擇。

min_samples_split：一個(gè)節(jié)點(diǎn)必須要包含至 少min_samples_split 個(gè)訓(xùn)練樣本，這個(gè)節(jié)點(diǎn)才允許被分枝，否則分枝就不會(huì)發(fā)生。

• 注意這里的概念不要與 min_samples_leaf 進(jìn)行混淆，若樣本數(shù)量小于 min_samples_split 那么該節(jié)點(diǎn)就不會(huì)考慮進(jìn)行分支，是前提條件。

max_features：限制分枝時(shí)考慮的特征個(gè)數(shù)，超過(guò)限制個(gè)數(shù)的特征都會(huì)被舍棄。

• 默認(rèn)值為 None
• 如果max_features是一個(gè)整數(shù)，則每個(gè)節(jié)點(diǎn)的拆分最多考慮max_features個(gè)特征
• 如果max_features是一個(gè)浮點(diǎn)數(shù)，則每個(gè)節(jié)點(diǎn)的拆分最多考慮max_features * n_features個(gè)特征，其中n_features是總特征數(shù)量
• 如果max_features是一個(gè)字符串，則使用特定的方法選擇特征。例如，"sqrt"表示每個(gè)節(jié)點(diǎn)的拆分最多考慮sqrt(n_features)個(gè)特征，"log2"表示每個(gè)節(jié)點(diǎn)的拆分最多考慮log2(n_features)個(gè)特征

max_features 用來(lái)限制高維度數(shù)據(jù)的過(guò)擬合的剪枝參數(shù)，但其方法比較暴力，是直接限制可以使用的特征數(shù)量 而強(qiáng)行使決策樹(shù)停下的參數(shù)，在不知道決策樹(shù)中的各個(gè)特征的重要性的情況下，強(qiáng)行設(shè)定這個(gè)參數(shù)可能會(huì)導(dǎo)致模型學(xué)習(xí)不足。

min_impurity_decrease：限制信息增益的大小，信息增益小于設(shè)定數(shù)值的分枝不會(huì)發(fā)生

• 默認(rèn)值為 None，即不做限制
• 可以嘗試從一個(gè)相對(duì)較小的值開(kāi)始調(diào)優(yōu)，例如0.001或0.0001，并根據(jù)結(jié)果逐漸調(diào)整

如何確認(rèn)最優(yōu)的剪枝參數(shù)：

• 畫(huà)曲線，橫軸為超參數(shù)的值，縱軸為模型評(píng)估指標(biāo)，觀察曲線來(lái)選擇超參數(shù)

剪枝參數(shù)的默認(rèn)值會(huì)讓樹(shù)無(wú)盡地生長(zhǎng)，這些樹(shù)在某些數(shù)據(jù)集上可能非常巨大，對(duì)內(nèi)存的消耗也非常巨 大。所以如果你手中的數(shù)據(jù)集非常巨大，你已經(jīng)預(yù)測(cè)到無(wú)論如何你都是要剪枝的，那提前設(shè)定這些參數(shù)來(lái)控制樹(shù)的 復(fù)雜性和大小會(huì)比較好。

目標(biāo)權(quán)重參數(shù)

class_weight：對(duì)樣本標(biāo)簽進(jìn)行一定的均衡，給少量的標(biāo)簽更多的權(quán)重，讓模型更偏向少數(shù)類(lèi)，向捕獲少數(shù)類(lèi)的方向建模。該參數(shù)默認(rèn)None，此模式表示自動(dòng)給 與數(shù)據(jù)集中的所有標(biāo)簽相同的權(quán)重。

• None（默認(rèn)值）：所有類(lèi)別的權(quán)重都被視為相等，不進(jìn)行特殊處理。
• 'balanced'：根據(jù)訓(xùn)練集中每個(gè)類(lèi)別的樣本數(shù)量自動(dòng)調(diào)整權(quán)重。權(quán)重與類(lèi)別中樣本數(shù)量的反比成正比。
• 字典（Dictionary）：可以手動(dòng)指定每個(gè)類(lèi)別的權(quán)重。字典的鍵是類(lèi)別標(biāo)簽，值是對(duì)應(yīng)的權(quán)重。例如，{0: 1, 1: 2}表示類(lèi)別0的權(quán)重為1，類(lèi)別1的權(quán)重為2

樣本不平衡：指在一組數(shù)據(jù)集中，標(biāo)簽的一類(lèi)天生占有很大的比例。比如說(shuō)，在銀行要 判斷 "一個(gè)辦了信用卡的人是否會(huì)違約"，"是" 和 "否"（1%：99%）的比例。這種分類(lèi)狀況下，即便模型什么也不做，全把結(jié)果預(yù)測(cè)成 "否"，正確率也能有99%。

min_weight_fraction_leaf：用于控制葉子節(jié)點(diǎn)中樣本權(quán)重的最小總和的比例。它可以用來(lái)限制決策樹(shù)生成過(guò)程中葉子節(jié)點(diǎn)的最小權(quán)重

• 默認(rèn)值為 0.0
• 類(lèi)似于 min_samples_leaf，不過(guò)是權(quán)重版本的。在決策樹(shù)的生成過(guò)程中，分裂節(jié)點(diǎn)時(shí)會(huì)考慮葉子節(jié)點(diǎn)中樣本在指定權(quán)重下的總和。如果一個(gè)節(jié)點(diǎn)的權(quán)重總和低于 min_weight_fraction_leaf 指定的閾值，則不會(huì)進(jìn)行分支。

class_weight 相當(dāng)于給不同標(biāo)簽的樣本的數(shù)量加上了權(quán)重，決策樹(shù)在分支時(shí)會(huì)計(jì)算樣本量等操作，對(duì)于不均衡的數(shù)據(jù)，class_weight 可以保證決策樹(shù)在計(jì)算不同標(biāo)簽樣本量時(shí)也會(huì)乘以不同的權(quán)重，一般對(duì)于不均衡數(shù)據(jù)參數(shù)使用 'balanced' 就可以了。

min_weight_fraction_leaf 就是權(quán)重版本的 min_samples_leaf 參數(shù)，需要注意的是，在設(shè)定 class_weight 參數(shù)后使用 min_samples_leaf 參數(shù)在計(jì)算樣本量時(shí)是不會(huì)加上權(quán)重的。

決策樹(shù)的優(yōu)缺點(diǎn)

決策樹(shù)優(yōu)點(diǎn)：

• 需要很少的數(shù)據(jù)準(zhǔn)備。其他很多算法通常都需要數(shù)據(jù)規(guī)范化，需要?jiǎng)?chuàng)建虛擬變量并刪除空值等。但請(qǐng)注意，sklearn中的決策樹(shù)模塊不支持對(duì)缺失值的處理。
• 使用樹(shù)的成本（比如說(shuō)，在預(yù)測(cè)數(shù)據(jù)的時(shí)候）是用于訓(xùn)練樹(shù)的數(shù)據(jù)點(diǎn)的數(shù)量的對(duì)數(shù)，相比于其他算法，這是一個(gè)很低的成本。
• 能夠同時(shí)處理數(shù)值型和離散型數(shù)據(jù)，既可以做回歸又可以做分類(lèi)。
• 白盒模型，易于理解和解釋。如果在模型中可以觀察到給定的情況，則可以通過(guò)布爾邏輯輕松解釋條件。相反，在黑盒模型中（例如，在人工神經(jīng)網(wǎng)絡(luò)中），結(jié)果可能更難以解釋。

決策樹(shù)缺點(diǎn)：

• 決策樹(shù)可能不穩(wěn)定，數(shù)據(jù)中微小的變化可能導(dǎo)致生成完全不同的樹(shù)，這個(gè)問(wèn)題需要通過(guò)集成算法來(lái)解決。
• 決策樹(shù)的學(xué)習(xí)是基于貪心算法，它靠?jī)?yōu)化局部最優(yōu)（每個(gè)節(jié)點(diǎn)的最優(yōu)）來(lái)試圖達(dá)到整體的最優(yōu)，但這種做法不能保證返回全局最優(yōu)決策樹(shù)。

以上就是python sklearn中的決策樹(shù)模型詳解的詳細(xì)內(nèi)容，更多關(guān)于python sklearn決策樹(shù)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論