我们将探索决策树,并且拓展它到随机森林。这种类型的模型,和我们之前见过的线性和逻辑回归不同,他们没有权重但是有很好的可解释性。
概述
- 目标: 给出一些数据,选择特征并且决定以什么样的方式分裂数据来做出预测。
- 优点:
- 决策树可以做成分类树和回归树。
- 具有很强的可解释性.
- 仅需很少的数据预处理。
- 缺点:
- 当训练数据少于分类类别的时候表现很差。
- 其他: 一组决策树可以构成随机森林,预测结果也会由所有的决策树所决定。
训练
我们来看上方的决策树样例,它用来决策外面的天气是否可以在外玩耍。数据有三个特征(weather, humiditiy和wind) 和结果 (yes or no).
步骤:
- 基于每一个特征进行分割(例如. 根据三个特征来判断结果是yes还是no)
- 计算每个特征分裂时候的损失。一些热门的算法比如使用Gini系数来计算的CART算法,还有使用熵和信息增益来计算的ID3。它们都基本上测量了预测值中的杂质或者无序。详细请见 blog post 一个详尽的信息增益计算步骤。
- H(X): 数据集X的熵
- C: 类别集合
- p(c): 在c类别中和所有实例的占比
对于一个二分类任务来说,如果所有的样例在一个类别下都是相同的,那么它的熵值为0,如果仅有一半是正确的,那么它的熵值则为1(也是最差的情况等同于瞎猜)。一旦我们决定了熵值,我们需要计算出信息增益(IG)(比如. 在我们把数据X基于特征F分裂后不确定的样本减少了多少)。
- IG(F. X): 数据X基于特征F分裂后的信息增益
- H(X): 数据集X的熵
- T: 基于分裂F后的子集
- p(t): 所有实例中t的实例数的比例
- H(t): 子集t的熵
注意: 对于回归问题,你可以用标准偏差(standard deviation)来取代信息增益。
3.在所有的特征分裂后,信息增益最高的分裂将作为第一个特征的分裂(也就是决策树的根).
4.基于第一次分裂后,重复上述的步骤在余下的所有特征中。最后,我们将分裂到叶子结点,在叶子结点中大部分样本将会来自同一类。
数据
加载一些使用的库
from argparse import Namespace //用来解析参数
import matplotlib.pyplot as plt //用来进行可视化
import numpy as np
import pandas as pd
import urllib
设置参数
# 参数 args = Namespace( seed=1234, data_file="titanic.csv", train_size=0.75, test_size=0.25, num_epochs=100, max_depth=4, min_samples_leaf=5, n_estimators=10, # 随机森林中包含的决策树个数 ) # 设置随即种子来保证实验结果的可重复性。 np.random.seed(args.seed)
使用pandas读取文件
# 把CSV文件内容读到DataFrame中 df = pd.read_csv(args.data_file, header=0) df.head()
from sklearn.tree import DecisionTreeClassifier
预处理内容
# 预处理 def preprocess(df): # 删除掉含有空值的行 df = df.dropna() # 删除基于文本的特征 (我们以后的课程将会学习怎么使用它们) features_to_drop = ["name", "cabin", "ticket"] df = df.drop(features_to_drop, axis=1) # pclass, sex, 和 embarked 是类别变量 # 我们将把字符串转化成浮点数,不再是逻辑回归中的编码变量 df['sex'] = df['sex'].map( {'female': 0, 'male': 1} ).astype(int) df["embarked"] = df['embarked'].dropna().map( {'S':0, 'C':1, 'Q':2} ).astype(int) return df
数据预处理结果:
# 数据预处理 df = preprocess(df) df.head()
# 划分数据到训练集和测试集 mask = np.random.rand(len(df)) < args.train_size train_df = df[mask] test_df = df[~mask] print ("Train size: {0}, test size: {1}".format(len(train_df), len(test_df)))
划分训练集和测试集
# 分离 X 和 y X_train = train_df.drop(["survived"], axis=1) y_train = train_df["survived"] X_test = test_df.drop(["survived"], axis=1) y_test = test_df["survived"]
注意: 你可以随意改动 max_depth 和 min_samples 来观察决策树表现好坏的变化。 我们怎么知道什么时候可以停止分裂?如果我们有一个很多特征的数据集,我们的决策树也会非常大。如果我们一直去分裂,我们终究会导致过拟合。所以这里有一些处理办法可以参考:
- 设置在叶子节点中的最少样本个数。
- 设置一个最大的深度(也就是从树根到叶子节点的最大距离)。
- 通过删除几乎没有信息增益的特征对决策树进行剪枝。
创建模型:
# 初始化模型 dtree = DecisionTreeClassifier(criterion="entropy", random_state=args.seed, max_depth=args.max_depth, min_samples_leaf=args.min_samples_leaf)
训练模型
# 训练
dtree.fit(X_train, y_train)
模型预测
# 预测 pred_train = dtree.predict(X_train) pred_test = dtree.predict(X_test)
模型评估
from sklearn.metrics import accuracy_score, precision_recall_fscore_support
计算模型的评估指标
# 正确率
train_acc = accuracy_score(y_train, pred_train)
test_acc = accuracy_score(y_test, pred_test)
print ("train acc: {0:.2f}, test acc: {1:.2f}".format(train_acc, test_acc))
train acc: 0.82, test acc: 0.70
# 计算其他的模型评估指标
precision, recall, F1, _ = precision_recall_fscore_support(y_test, pred_test, average="binary")
print ("precision: {0:.2f}. recall: {1:.2f}, F1: {2:.2f}".format(precision, recall, F1))
可解释性
安装必要的包
# 安装必要的包 !apt-get install graphviz !pip install pydotplus from sklearn.externals.six import StringIO from IPython.display import Image from sklearn.tree import export_graphviz import pydotplus # 可解释性 dot_data = StringIO() export_graphviz(dtree, out_file=dot_data, feature_names=list(train_df.drop(['survived'], axis=1)), class_names = ['died', 'survived'], rounded = True, filled= True, special_characters=True) graph = pydotplus.graph_from_dot_data(dot_data.getvalue()) Image(graph.create_png(), width=500, height=300)
画出特征重要性
# 特征重要性
features = list(X_test.columns)
importances = dtree.feature_importances_
indices = np.argsort(importances)[::-1]
num_features = len(importances)
# 画出树中的特征重要性
plt.figure()
plt.title("Feature importances")
plt.bar(range(num_features), importances[indices], color="g", align="center")
plt.xticks(range(num_features), [features[i] for i in indices], rotation='45')
plt.xlim([-1, num_features])
plt.show()
# 打印值
for i in indices:
print ("{0} - {1:.3f}".format(features[i], importances[i]))
如图所示
随机森林
随机森林由一组,或者说一个集成的决策树在一起构建。它的意图是,与单个决策树相比,一组不同的树将产生更准确的预测。 但是如果我们在相同的数据下用相同的分裂条件比如说信息增益,那么怎么保证每棵树又是不同的呢?这里的解决方法是随机森林中的不同决策树由不同的数据子集组成,甚至不同的特征阈值。
Scikit-learn 实现
from sklearn.ensemble import RandomForestClassifier
创建模型
# 初始化随机森林 forest = RandomForestClassifier( n_estimators=args.n_estimators, criterion="entropy", max_depth=args.max_depth, min_samples_leaf=args.min_samples_leaf)
训练模型
# 训练 forest.fit(X_train, y_train)
模型预测
# 预测 pred_train = forest.predict(X_train) pred_test = forest.predict(X_test)
模型评估
# 正确率 train_acc = accuracy_score(y_train, pred_train) test_acc = accuracy_score(y_test, pred_test) print ("train acc: {0:.2f}, test acc: {1:.2f}".format(train_acc, test_acc)) # 计算其他评估指标 precision, recall, F1, _ = precision_recall_fscore_support(y_test, pred_test, average="binary") print ("precision: {0:.2f}. recall: {1:.2f}, F1: {2:.2f}".format(precision, recall, F1)) train acc: 0.80, test acc: 0.68 precision: 0.65. recall: 0.87, F1: 0.75
可解释性
# 特征重要性 features = list(X_test.columns) importances = forest.feature_importances_ std = np.std([tree.feature_importances_ for tree in forest.estimators_], axis=0) indices = np.argsort(importances)[::-1] num_features = len(importances) # 画出树中的特征重要性 plt.figure() plt.title("Feature importances") plt.bar(range(num_features), importances[indices], yerr=std[indices], color="g", align="center") plt.xticks(range(num_features), [features[i] for i in indices], rotation='45') plt.xlim([-1, num_features]) plt.show() # 打印 for i in indices: print ("{0} - {1:.3f}".format(features[i], importances[i]))
超参数搜索: 网格搜索
在随机森林中,会有许多不同的超参数(criterion, max_depth, n_estimators)等,那么如何去选择什么样的超参数的值,使得模型的效果达到最好,常见的方法有网格搜索,贝叶斯搜索等,在这里我们调用sklearn的GridSearchCV进行超参数的寻找
1. from sklearn.model_selection import GridSearchCV
2.创建网格参数
# 创建网格的参数
param_grid = {
'bootstrap': [True],
'max_depth': [10, 20, 50],
'max_features': [len(features)],
'min_samples_leaf': [3, 4, 5],
'min_samples_split': [4, 8],
'n_estimators': [5, 10, 50] # of trees
}
3.初始化随机森林
# 初始化随机森林 forest = RandomForestClassifier()
4.实例化网格搜索
# 实例化网格搜索 grid_search = GridSearchCV(estimator=forest, param_grid=param_grid, cv=3, n_jobs=-1, verbose=1) # 网格搜索拟合数据 grid_search.fit(X_train, y_train)
5.查看最佳参数组合
# 查看最佳参数组合 grid_search.best_params_ # 使用最佳参数训练 best_forest = grid_search.best_estimator_ best_forest.fit(X_train, y_train)
6.模型预测
# 预测 pred_train = best_forest.predict(X_train) pred_test = best_forest.predict(X_test)
7.计算正确率
# 正确率 train_acc = accuracy_score(y_train, pred_train) test_acc = accuracy_score(y_test, pred_test) print ("train acc: {0:.2f}, test acc: {1:.2f}".format(train_acc, test_acc)) # 计算其他评价指标 precision, recall, F1, _ = precision_recall_fscore_support(y_test, pred_test, average="binary") print ("precision: {0:.2f}. recall: {1:.2f}, F1: {2:.2f}".format(precision, recall, F1)) 结果: train acc: 0.90, test acc: 0.70 precision: 0.70. recall: 0.79, F1: 0.75