内容简介:决策树(decision tree)是一种基本的分类与回归方法;其分类决策模型是一种对类进行分类的树形结构,由节点和有向边组成;节点除了根节点外,又分为内部节点和叶节点,前者表示一个特征,后者表示一个类决策树学习的算法通常是一个递归选择最优特征的过程,比如:先选择一个最优的特征,将训练集分割成子集,如果其中有子集还未被正确分类,则继续根据该子集选择新的最优特征并对其分类,迭代上述步骤直至发生下述情况才结束:因此根据特征值选择的策略不同,有不同的生成决策树的方法:
决策树(decision tree)是一种基本的分类与回归方法;其分类决策模型是一种对类进行分类的树形结构,由节点和有向边组成;节点除了根节点外,又分为内部节点和叶节点,前者表示一个特征,后者表示一个类
决策树学习的算法通常是一个递归选择最优特征的过程,比如:先选择一个最优的特征,将训练集分割成子集,如果其中有子集还未被正确分类,则继续根据该子集选择新的最优特征并对其分类,迭代上述步骤直至发生下述情况才结束:
- 当前数据集(子集)都被正确分类,或者说当前子集已经同属同一类(熵达到阈值、增益小于阈值)
- 特征为空,或者说没有合适的特征
因此根据特征值选择的策略不同,有不同的生成决策树的方法:
- ID3:以信息增益准则来选择特征,选择信息增益较大的特征
- C4.5/C5.0:以信息增益比准则来选择特征,选择信息增益率较大的特征
- CART:以基尼系数准则来选择特征,选择基尼系数较小的特征(分类树)、均方差较小的特征(回归树)
上述准则的公式可看《统计学习方法》,从公式中可看出,信息增益比是对信息增益的一种改进,进而克服前者对于选择取值较多的特征的偏好(使得泛化能力弱),但是后者则又带来了对于选择取值较少的特征的偏好(解决办法似乎有:先选择信息增益高于平均值的特征,然后再根据信息增益率来选择上述前提下最大的那个特征,反正计算信息增益率的时候也要先计算信息增益的)
ID3/C4.5/CART都是贪婪算法,只考虑当前条件达到局部最优,而无法达到全局最优,但近似于全局最优;以上三个算法不同点在于:
- ID3/C4.5只能处理分类问题,而CART可以处理分类/回归问题
- ID3/C4.5构建多叉树,而CART构建二叉树(因此其适合于);因此当某个特征有多个取值时,前者则会产生多个分支,而后者会根据切点,将多个特征取值分割成两部分,变成两个分支;但是由于CART这次没有把该特征完全分开,所以后续还会继续选择该特征;不像ID3/C4.5那样,特征只参与一次节点的构建
- ID3不支持连续型数值,而C4.5/CART则支持(其思路都是将连续的特征离散化,差别在于前者是用信息增益率,而后者则是基尼系数)
- ID3不支持缺失值,而C4.5/CART则支持
- ID3不支持树剪枝,而C4.5/CART则支持
剪枝是为了克服用生成算法产生的决策树过拟合的问题,过拟合是由于在学习的过程中产生了过于复杂的决策树,使得其在训练集中表现的很好,但是泛化能力过低,因此需要对决策进行简化;以及用后来出的随机森林可以减少过拟合现象
决策树的剪枝可以分成两部分:预剪枝和后剪枝:
- 预剪枝是在决策树生成过程中,在划分数据集的时候,根据一些条件,比如:结点中样本数是否小于阈值或者基尼系数是否小于阈值,来判断是否要继续划分
- 后剪枝则是先生成一个完整的决策树,再从底往顶进行剪枝处理,消除多余的结点
对于数据集中的缺失值,要么采用一定方法进行缺失值补空,要么按照其所在的比例分配到各个结点中,进而方便后续的计算
决策树的优点如下(参考自 决策树算法的 Python 实现 ):
- 易于理解和解释,甚至比线性回归更直观;
- 与人类做决策思考的思维习惯契合;
- 模型可以通过树的形式进行可视化展示;
- 可以直接处理非数值型数据,不需要进行哑变量的转化,甚至可以直接处理含缺失值的数据;
缺点如下:
- 对于有大量数值型输入和输出的问题,决策树未必是一个好的选择;
- 特别是当数值型变量之间存在许多错综复杂的关系,如金融数据分析;
- 决定分类的因素取决于更多变量的复杂组合时;
- 模型不够稳健,某一个节点的小小变化可能导致整个树会有很大的不同。
关于决策树更深的模型有软决策树、决策森林、随机森林等
未含剪枝的决策树CART算法的Python实现如下,基本参考《统计学习方法》:
class decision_tree: # 根据公式5.24计算基尼系数 def calc_sub_Gini(self, y_sub): gini_sub = [] for cls in set(y_sub): gini_sub.append((np.sum(y_sub == cls) / len(y_sub)) ** 2) return 1- sum(gini_sub) # 选择最优特征和最优切点 def calc_best_feature(self, dataset, label): feature_gini = {} for feature in range(dataset.shape[1]): arr_len = len(np.unique(dataset[:,feature])) if (arr_len == 1): # 特征都为同一个数值,无切点(或者说该特征已被用尽) continue elif (arr_len == 2): # 二类分类问题 feature_arr = np.unique(dataset[:,feature])[0] split1 = dataset[:,feature] == feature_arr split2 = dataset[:,feature] != feature_arr gini = sum(split1) / len(split1) * self.calc_sub_Gini(label[split1]) + sum(split2) / len(split2) * self.calc_sub_Gini(label[split2]) feature_gini[(feature, feature_arr)] = gini else: # 多类分类问题 for feature_arr in set(dataset[:,feature]): split1 = dataset[:,feature] == feature_arr split2 = dataset[:,feature] != feature_arr gini = sum(split1) / len(split1) * self.calc_sub_Gini(label[split1]) + sum(split2) / len(split2) * self.calc_sub_Gini(label[split2]) feature_gini[(feature, feature_arr)] = gini if (len(feature_gini) == 0): # 即该数据集的特征值为空了 return None else: # 取最小基尼系数的特征值作为切点 best_feature = min(feature_gini, key = feature_gini.get) return best_feature # 分割数据集到两个(左右)子节点中 def split_dat(self, dataset, label, best_feature): feature = best_feature[0] feature_value = best_feature[1] left_label = label[dataset[:,feature] == feature_value] right_label = label[dataset[:,feature] != feature_value] left_dat = dataset[dataset[:,feature] == feature_value,:] right_dat = dataset[dataset[:,feature] != feature_value,:] return left_label,right_label,left_dat,right_dat # 生成决策树 def create_Tree(self, dataset, label): # 样本属于同一类,分配到单节点,函数停止 if (len(np.unique(label)) == 1): return label[0] best_feature = self.calc_best_feature(dataset, label) # 没有更多的特征,特征已用完,函数停止 if (best_feature == None): label_number = {} label_number = dict(Counter(label)) return max(label_number, key=label_number.get) left_label,right_label,left_dat,right_dat = self.split_dat(dataset, label, best_feature) # 用字典构建树,并迭代函数 tree = {best_feature:{}} tree[best_feature]["left"] = self.create_Tree(left_dat, left_label) tree[best_feature]["right"] = self.create_Tree(right_dat, right_label) return tree # 通过已构建的决策树预测 def predict(self, test, tree): for k,v in tree.items(): if (test[k[0]] == k[1]): left_leaf = v["left"] if (type(left_leaf) == dict): return self.predict(test, v["left"]) else: return v["left"] else: right_leaf = v["right"] if (type(right_leaf) == dict): return self.predict(test, v["right"]) else: return v["right"]
先以书中表5.1的训练数据集测试下:
dataset = pd.read_table("tree.txt") dataset = np.array(dataset) X = dataset[:,:-1] y = dataset[:,-1] dt = decision_tree() res = dt.create_Tree(X,y)
看下字典中储存的树信息,(2,1)代表第3个特征中1值,left:1代表左枝的标签为1
res Out[177]: {(2, 1): {'left': 1, 'right': {(1, 1): {'left': 1, 'right': 2}}}}
然后再结合测试数据集 MNIST (数字识别),用上述决策树代码实现如下:
读入测试数据,并按照20%分割训练集和测试集
dataset = pd.read_csv("train.csv") dataset = np.array(dataset) dataset[:,1:][dataset[:,1:] != 0] = 1 label = dataset[:,0] train_dat, test_dat, train_label, test_label = train_test_split(dataset[:,1:], label, test_size = 0.2, random_state = 123456)
构建决策树,并计算测试误差
dtree = decision_tree() dt = dtree.create_Tree(train_dat, train_label) error = 0 for i in range(len(test_dat)): if (dtree.predict(test_dat[i], dt) != test_label[i]): error += 1 print(error / len(test_label) * 100)
以上所述就是小编给大家介绍的《统计学习方法-决策树笔记》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:- [机器学习]ID3决策树 详细计算流程 周志华机器学习 笔记 原创Excel手算方法
- 【逼你学习】让自制力提升300%的时间管理方法、学习方法分享
- 学习方法模式续(200319)
- 投机取巧学习方法
- 统计学习方法-感知机笔记
- 《统计学习方法》 ( 李航 ) 读书笔记
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
函数响应式领域建模
【美】Debasish Ghosh / 李源 / 电子工业出版社 / 2018-1 / 79
传统的分布式应用不会切入微服务、快速数据及传感器网络的响应式世界。为了捕获这些应用的动态联系及依赖,我们需要使用另外一种方式来进行领域建模。由纯函数构成的领域模型是以一种更加自然的方式来反映一个响应式系统内的处理流程,同时它也直接映射到了相应的技术和模式,比如Akka、CQRS 以及事件溯源。《函数响应式领域建模》讲述了响应式系统中建立领域模型所需要的通用且可重用的技巧——首先介绍了函数式编程和响......一起来看看 《函数响应式领域建模》 这本书的介绍吧!