机器学习实战笔记-树回归

9.1 复杂数据的局部性建模

第3章使用决策树来进行分类。决策树不断将数据切分成小数据集，直到所有目标变量完全相 同 ，或者数据不能再切分为止。决策树是一种贪心算法，它要在给定时间内做出最佳选择，但并不关心能否达到全局最优。

                                树回归

优点：可以对复杂和非线性的数据建模。
缺点：结果不易理解。
适用数据类型：数值型和标称型数据。

第3章使用的树构建算法是ID3。ID3的做法是每次选取当前最佳的特征来分割数据，并按照该特征的所有可能取值来切分。也就是说，如果一个特征有4种取值，那么数据将被切成4份。一旦按某特征切分后，该特征在之后的算法执行过程中将不会再起作用，所以有观点认为这种切分方式过于迅速。另外一种方法是二元切分法，即每次把数据集切成两份。如果数据的某特征值等于切分所要求的值，那么这些数据就进人树的左子树，反之则进人树的右子树。
除了切分过于迅速外，ID3算法还存在另一个问题，它不能直接处理连续型特征。只有事先将连续型特征转换成离散型，才能在ID3算法中使用。但这种转换过程会破坏连续型变量的内在性质。而使用二元切分法则易于对树构建过程进行调整以处理连续型特征。具体的处理方法是：如果特征值大于给定值就走左子树，否则就走右子树。另外，二元切分法也节省了树的构建时间，但这点意义也不是特别大，因为这些树构建一般是离线完成，时间并非需要重点关注的因素。
CART是十分著名且广泛记载的树构建算法，它使用二元切分来处理连续型变量。对CART稍作修改就可以处理回归问题。第3章中使用香农熵来度量集合的无组织程度。如果选用其他方法来代替香农熵，就可以使用树构建算法来完成回归。
下面将实观CART算法和回归树。回归树与分类树的思路类似，但叶节点的数据类型不是离散型，而是连续型。

                                树回归的一般方法

(1) 收集数据:采用任意方法收集数据。
(2) 准备数据:需要数值型的数据，标称型数据应该映射成二值型数据。
(3) 分析数据:绘出数据的二维可视化显示结果，以字典方式生成树。
(4) 训练算法:大部分时间都花费在叶节点树模型的构建上。
(5)测试算法:使用测试数据上的R2值来分析模型的效果。
(6)使用算法:使用训练出的树做预测，预测結果还可以用来做很多事情

9.2 连续和离散型特征的树的构建

在树的构建过程中，需要解决多种类型数据的存储问题。与第3章类似，这里将使用一部字典来存储树的数据结构，该字典将包含以下4个元素。
□待切分的特征。
□待切分的特征值。
□右子树。当不再需要切分的时候，也可以是单个值。
□左子树。与右字树类似。

这与第3章的树结构有一点不同。第3章用一部字典来存储每个切分，但该字典可以包含两个或两个以上的值。而CART算法只做二元切分，所以这里可以固定树的数据结构。树包含左键和右键，可以存储另一棵子树或者单个值。字典还包含特征和特征值这两个键，它们给出切分算法.所有的特征和特征值

函数createTree()的伪代码大致如下：
找到最佳的待切分特征：
  如果该节点不能再分，将该节点存为叶节点
  执行二元切分
  在右子树调用createTree()方法
  在左子树调用createTree()方法

CART的实现代码如下:

from numpy import *

#注意，这次将xmat和ymat合在一起了,后面通过xmat[:,-1]获取xmat
#general function to parse tab -delimited floats
#assume last column is target value
def loadDataSet(fileName):      
    dataMat = []                
    fr = open(fileName)
    for line in fr.readlines():
        curLine = line.strip().split('	')
        #通过map()，将每一行的数据转换为float，在python3中需要再转换为list
        fltLine = list(map(float,curLine)) #map all elements to float()
        dataMat.append(fltLine)
    return dataMat

#二分数据集
def binSplitDataSet(dataSet, feature, value):
    #assume dataSet is NumPy Mat so we can array filtering
    #通过数组过滤分离出dataSet中feature特征大于，小于等于value的数据
    #我用的python3，书中的代码是python2，跑不成功，我自己把这两行调整了一下
    mat0 = dataSet[nonzero(dataSet[:,feature] > value)[0],:]
    mat1 = dataSet[nonzero(dataSet[:,feature] <= value)[0],:]
    return mat0,mat1
#leafType,求叶节点的函数
#errType,误差计算函数(分离出的左右子树对应ymat方差乘以子树数据集长度的累加)
#ops,元组,第一个值为误差阈值，第二个值为子树对应数据集的行数
def createTree(dataSet, leafType=regLeaf, errType=regErr, ops=(1,4)):

    #通过最小化ymat方差选出拆分数据集的最好特征值
    feat, val = chooseBestSplit(dataSet, leafType, errType, ops)
    #choose the best split
    #if the splitting hit a stop condition return val
    retTree = {}
    retTree['spInd'] = feat
    retTree['spVal'] = val
    lSet, rSet = binSplitDataSet(dataSet, feat, val)
    retTree['left'] = createTree(lSet, leafType, errType, ops)
    retTree['right'] = createTree(rSet, leafType, errType, ops)
    return retTree  

书中createTree的解读:
该函数首先尝试将数据集分成两个部分，切分由函数chooseBestSplit()完成(这里未给出该函数的实现)。如果满足停止条件，chooseBestSplit()将返回None和某类模型的值,如果不满足停止条件，chooseBestSplit()将创建一个新的Python字典并将数据集分成两份,在这两份数据集上将分别继续递归调用createTree()函数。

测试代码如下:

testMat = mat(eye(4))
print(testMat)
mat0,mat1 = binSplitDataSet(testMat,1,0.5)
print(mat0)
print(mat1)

测试截图如下:

9.3 将CART算法用于回归

为成功构建以分段常数为叶节点的树,需要度量出数据的一致性。可以通过平方误差的总差值求出数据的混乱度，也就是均方差乘以数据集中的样本数来得到。

9.3.1构建树

函数chooseBestSplit()只需完成两件事:用最佳方式切分数据集和生成相应的叶节点。
函数chooseBestSplit()伪代码如下:
对每个特征：
 对每个特征值：
  将数据集切分成两份 .
  计算切分的误差
  如果当前误差小于当前最小误差，那么将当前切分设定为最佳切分并更新最小误差
返回最佳切分的特征和阈值

回归树的切分函数,代码如下所示:

def regLeaf(dataSet):#returns the value used for each leaf
    return mean(dataSet[:,-1])

def regErr(dataSet):
    return var(dataSet[:,-1]) * shape(dataSet)[0]

def chooseBestSplit(dataSet, leafType=regLeaf, errType=regErr,ops=(1,4)):
    tolS = ops[0]; tolN = ops[1]
    #if all the target variables are the same value: quit and return value    
    if len(set(dataSet[:,-1].T.tolist()[0])) == 1: #exit cond 1
        return None, leafType(dataSet)
    m,n = shape(dataSet)
    #the choice of the best feature is driven by Reduction in RSS error from mean
    S = errType(dataSet)
    bestS = inf; bestIndex = 0; bestValue = 0
    #遍历每个特征
    for featIndex in range(n-1):
        #遍历每个特征的每个不同值,找出误差最小的特征值
        for splitVal in set(dataSet[:,featIndex].flatten().A[0]):
            mat0, mat1 = binSplitDataSet(dataSet, featIndex, splitVal)
            #如果切分的子树长度太短，则跳过
            if (shape(mat0)[0] < tolN) or (shape(mat1)[0] < tolN): continue
            newS = errType(mat0) + errType(mat1)
            if newS < bestS: 
                bestIndex = featIndex
                bestValue = splitVal
                bestS = newS
    #if the decrease (S-bestS) is less than a threshold don't do the split
    #如果误差下降值小于容许的误差下降至，那么合并这棵树为叶节点
    if (S - bestS) < tolS: 
        return None, leafType(dataSet) #exit cond 2
    mat0, mat1 = binSplitDataSet(dataSet, bestIndex, bestValue)
    if (shape(mat0)[0] < tolN) or (shape(mat1)[0] < tolN):  #exit cond 3
        return None, leafType(dataSet)
    return bestIndex,bestValue#returns the best feature to split ones
                              #and the value used for that split

9.3.2运行代码

from numpy import *
myDat = loadDataSet('ex00.txt')
myMat = mat(myDat)
myTree = createTree(myMat)
print(myTree)

测试截图如下:

数据点分布如下:

再看另一个多次切分的数据集,代码如下:

from numpy import *
myDat1 = loadDataSet('ex0.txt')
myMat1 = mat(myDat1)
print(createTree(myMat1))

测试截图如下:

数据集分布如下所示:

9.4 树剪枝

一棵树如果节点过多，表明该模型可能对数据进行了“过拟合”。通过降低决策树的复杂度来避免过拟合的过程称为剪枝（pnming)。其实本章前面巳经进行过剪枝处理。在函数chooseBestSplit()中的提前终止条件，实际上是在进行一种所谓的预剪枝(prepruning)操作。另一种形式的剪枝需要使用测试集和训练集，称作后剪枝(postpruning)。

9 . 4 . 1 预剪

上节两个简单实验的结果还是令人满意的，但背后存在一些问题。树构建算法其实对输人的参数tolS和tolN常敏感，如果使用其他值将不太容易达到这么好的效果。为了说明这一点，在Python提示符下输人如下命令：

from numpy import *
myDat = loadDataSet('ex00.txt')
myMat = mat(myDat)
myTree = createTree(myMat,ops = (0,1))
print(myTree)
print(getWidth(myTree))

#笔者自己写的获取树的宽度的方法
def getWidth(tree):
    width = 0
    if isTree(tree):
        width += getWidth(tree['left'])
        width += getWidth(tree['right'])
    else:
        return 1
    return width

测试截图如下:

与上节中只包含两个节点的树相比，这里构建的树过于臃肿，它甚至为数据集中每个样本都分配了一个叶节点。

如图所示的散点图，看上去与图9-1非常相似。但如果仔细地观察y轴就会发现，前者的数量级是后者的100倍。这将不是问题，对吧？现在用该数据来构建一棵新的树（数据存放在ex2.txt),在Python提示符下输人以下命令：

from numpy import *
myDat = loadDataSet('ex2.txt')
myMat = mat(myDat)
myTree = createTree(myMat)
print(myTree)
xArr = mat(myDat)[:,0].flatten().A[0]
yArr = mat(myDat)[:,1].flatten().A[0]
paint(xArr,yArr)

#paint为笔者自己写的绘图函数
def paint(xArr,yArr):
    import matplotlib.pyplot as plt
    fig = plt.figure()
    ax = fig.add_subplot(111)
    ax.scatter(xArr,yArr)
    plt.show()

测试截图如下:

我们发现，只因为y变为了原来的100倍，构建的树的叶子节点就比原来多了很多。产生这个现象的原因在于停止条件tolS对误差的数量级十分敏感。如果在选项中花费时间并对上述误差容忍度取平方值，或许也能得到仅有两个叶节点组成的树：

from numpy import *
myDat = loadDataSet('ex2.txt')
myMat = mat(myDat)
myTree = createTree(myMat,ops = (10000,4))
print(myTree)

测试截图如下:

然而，通过不断修改停止条件来得到合理结果并不是很好的办法。事实上，我们常常甚至不确定到底需要寻找什么样的结果。

后剪枝，即利用测试集来对树进行剪枝。由于不需要用户指定参数，后剪枝是一个更理想化的剪枝方法。

9.4.2 后剪枝

使用后剪枝方法需要将数据集分成测试集和训练集。首先指定参数，使得构建出的树足够大、足够复杂，便于剪枝。接下来从上而下找到叶节点，用测试集来判断将这些叶点合并是否能降低测试误差。如果是的话就合并。

函数prune()的伪代码如下：
  基于已有的树切分测试数据：
    如果存在任一子集是一棵树，则在该子集递归剪枝过程
    计算将当前两个叶节点合并后的误差
    计算不合并的误差
    如果合并会降低误差的话，就将叶节点合并

回归树剪枝函数代码如下:

def isTree(obj):
    return (type(obj).__name__=='dict')

#从上往下遍历树直到叶节点为止。如果找到两个叶节点则计算它们的平均值。该函数对树进行塌陷处理（即返回树平均值)
def getMean(tree):
    if isTree(tree['right']): tree['right'] = getMean(tree['right'])
    if isTree(tree['left']): tree['left'] = getMean(tree['left'])
    return (tree['left']+tree['right'])/2.0

def prune(tree, testData):
    if shape(testData)[0] == 0: return getMean(tree) #if we have no test data collapse the tree
    #if the branches are not trees try to prune them
    if (isTree(tree['right']) or isTree(tree['left'])):
        lSet, rSet = binSplitDataSet(testData, tree['spInd'], tree['spVal'])
    if isTree(tree['left']): tree['left'] = prune(tree['left'], lSet)
    if isTree(tree['right']): tree['right'] =  prune(tree['right'], rSet)
    #if they are now both leafs, see if we can merge them
    if not isTree(tree['left']) and not isTree(tree['right']):
        lSet, rSet = binSplitDataSet(testData, tree['spInd'], tree['spVal'])
        #对合并前后的误差进行比较。如果合并后的误差比不合并的误差小就进行合并操作，反之则不合并直接返回
        errorNoMerge = sum(power(lSet[:,-1] - tree['left'],2)) +
            sum(power(rSet[:,-1] - tree['right'],2))
        treeMean = (tree['left']+tree['right'])/2.0
        errorMerge = sum(power(testData[:,-1] - treeMean,2))
        if errorMerge < errorNoMerge: 
            print("merging")
            return treeMean
        else: return tree
    else: return tree

测试代码如下:

myDat = loadDataSet('ex2.txt')
myMat2 = mat(myDat)
myTree = createTree(myMat2, ops=(0,1))
print(getWidth(myTree))
myDatTest = loadDataSet('ex2test.txt')
myMat2Test = mat(myDatTest)
prune(myTree,myMat2Test)
print("####################################################################################################")
print(getWidth(myTree))

#笔者自己写的计算叶子节点数目的函数
def getWidth(tree):
    width = 0
    if isTree(tree):
        width += getWidth(tree['left'])
        width += getWidth(tree['right'])
    else:
        return 1
    return width

测试截图如下:

由于直接看数字典可能不够清晰，因此我把它转化为对比宽度。可以发现效果还是很明显的但,没有像预期的那样剪枝成两部分，这说明后剪枝可能不如预剪枝有效。一般地，为了寻求最佳模型可以同时使用两种剪枝技术。

9.5模型树

用树来对数据建模，除了把叶节点简单地设定为常数值之外，还有一种方法是把叶节点设定为分段线性函数，这里所谓的分段线性（piecewise linear) 是指模型由多个线性片段组成。

考虑图9-4中的数据。如果使用两条直线拟合是否比使用一组常数来建模好呢？答案显而易见。可以设计两条分别从0.0~0.3、从0.3~1.0的直线，于是就可以得到两个线性模型。因为数据集里的一部分数据（0.0~0.3)以某个线性模型建模，而另一部分数据（0.3~1.0)则以另一个线性模型建模，因此我们说采用了所谓的分段线性模型。

决策树相比于其他机器学习算法的优势之一在于结果更易理解。很显然，两条直线比很多节点组成一棵大树更容易解释。模型树的可解释性是它优于回归树的特点之一。另外，模型树也具有更髙的预测准确度。

下面将利用树生成算法对数据进行切分，且每份切分数据都能很容易被线性模型所表示。该算法的关键在于误差的计算。应该怎样计算误差呢？前面用于回归树的误差计算方法这里不能再用。稍加变化，对于给定的数据集，应该先用线性的模型来对它进行拟合，然后计算真实的目标值与模型预测值间的差值。最后将这些差值的平方求和就得到了所需的误差。

模型树的叶节点生成函数,代码如下:

#根据ws计算公式，求出子树对应的ws矩阵
#helper function used in two places
def linearSolve(dataSet):  
    m,n = shape(dataSet)
    #注意，x矩阵第一列全部为1,
    X = mat(ones((m,n))); Y = mat(ones((m,1)))#create a copy of data with 1 in 0th postion
    X[:,1:n] = dataSet[:,0:n-1]; Y = dataSet[:,-1]#and strip out Y
    xTx = X.T*X
    if linalg.det(xTx) == 0.0:
        raise NameError('This matrix is singular, cannot do inverse,

        try increasing the second value of ops')
    ws = xTx.I * (X.T * Y)
    return ws,X,Y

#create linear model and return coeficients
def modelLeaf(dataSet):
    ws,X,Y = linearSolve(dataSet)
    return ws
#误差计算
def modelErr(dataSet):
    ws,X,Y = linearSolve(dataSet)
    yHat = X * ws
    return sum(power(Y - yHat,2))

测试代码如下:

myDat = loadDataSet('exp2.txt')
myMat2 = mat(myDat)
myTree = createTree(myMat2, modelLeaf,modelErr)
print(myTree) 

测试截图如下:

可以看到 ，该代码以0.285 477为界创建了两个模型，而图9-4的数据实际在0.3处分段。createTree ()生成的这两个线性模型分别是y=3 . 468+1.1852x和y=0 . 001 6985+11.964 77x,与用于生成该数据的真实模型非常接近。该数据实际是由模型y=3.5+1.0x和y=0+12再加上高斯噪声生成的。在图9-5上可以看到图9-4的数据以及生成的线性模型。

绘图代码如下:

myDat = loadDataSet('exp2.txt')
myMat2 = mat(myDat)
myTree = createTree(myMat2, modelLeaf,modelErr)
leftTree,rightTree = binSplitDataSet(myMat2,myTree['spInd'],myTree['spVal'])

#数据集对应的x,y
xArr = myMat2[:,0].flatten().A[0]
yArr = myMat2[:,1].flatten().A[0]

#得出左子树对应的x,以及推测的y
xMat1 = mat(ones((shape(leftTree)[0],2)))
xMat1[:,1] = leftTree[:,0]
xArr1 = leftTree[:,0].flatten().A[0]
yArr1 = (xMat1*myTree['left']).flatten().A[0]

#得出右子树对应的x,以及推测的y
xMat2 = mat(ones((shape(rightTree)[0],2)))
xMat2[:,1] = rightTree[:,0]
xArr2 = rightTree[:,0].flatten().A[0]
yArr2 = (xMat2*myTree['right']).flatten().A[0]

#xArr,yArr画散点图
#xArr1,yArr1和xArr2,yArr2画点图
paint(xArr,yArr,xArr1,yArr1,xArr2,yArr2)

#笔者自己定义的绘图函数,用来绘制点图和散点图
def paint(xArr,yArr,xArr1,yArr1,xArr2,yArr2):
    import matplotlib.pyplot as plt
    fig = plt.figure()
    ax = fig.add_subplot(111)
    ax.scatter(xArr,yArr,c="blue")
    ax.plot(xArr1,yArr1,c="red")
    ax.plot(xArr2,yArr2,c="red")
    plt.show()

测试截图如下:

模型树、回归树以及第8章里的其他模型，哪一种模型更好呢？一个比较客观的方法是计算相关系数,也称为R2值。该相关系数可以通过调用Numpy库中的命令corrcoef(yHat,y,rowvar=0)来求解，其中yHat是预测值，y是目标变量的实际值。
前一章使用了标准的线性回归法，本章则使用了树回归法,下面将通过实例对二者进行比较,最后用函数corrcoef()来分析哪个模型是最优的。

9 . 6 示例：树回归与标准回归的比较

前面介绍了模型树、回归树和一般的回归方法，下面测试一下哪个模型最好。本节首先给出一些函数，它们开以在树构建好的情况下对给定的输人进行预测，之后利用这些函数来计算三种回归模型的测试误差。这些模型将在某个数据上进行测试，该数据涉及人的智力水平和自行车的速度的关系。

用树回归进行预测的代码如下:

#回归树叶节点模型
def regTreeEval(model, inDat):
    return float(model)
#模型树叶节点模型
def modelTreeEval(model, inDat):
    n = shape(inDat)[1]
    #注意，在X中添加第一列为1
    X = mat(ones((1,n+1)))
    X[:,1:n+1]=inDat
    #返回线性模型预测的值
    return float(X*model)

#递归整棵树,直到找到叶节点,然后通过modelEval对应的模型求出对应的预测值
def treeForeCast(tree, inData, modelEval=regTreeEval):
    if not isTree(tree): return modelEval(tree, inData)
    if inData[tree['spInd']] > tree['spVal']:
        if isTree(tree['left']): return treeForeCast(tree['left'], inData, modelEval)
        else: return modelEval(tree['left'], inData)
    else:
        if isTree(tree['right']): return treeForeCast(tree['right'], inData, modelEval)
        else: return modelEval(tree['right'], inData)
#循环调用treeForeCast,得出预测值的助阵        
def createForeCast(tree, testData, modelEval=regTreeEval):
    m=len(testData)
    yHat = mat(zeros((m,1)))
    for i in range(m):
        yHat[i,0] = treeForeCast(tree, mat(testData[i]), modelEval)
    return yHat

回归树测试代码如下:

trainMat = mat(loadDataSet('bikeSpeedVsIq_train.txt'))
testMat = mat(loadDataSet('bikeSpeedVsIq_test.txt'))
xArr = trainMat[:,0].flatten().A[0]
yArr = trainMat[:,1].flatten().A[0]
myTree = createTree(trainMat,ops=(1,20))
yHat = createForeCast(myTree,testMat[:,0])
xArr1 = testMat[:,0].flatten().A[0]
yArr1 = yHat.flatten().A[0]
print(corrcoef(yHat,testMat[:,-1],rowvar=0)[0,1])
#paint1为笔者自己写的绘图函数，画出训练数据点和预测数据点
paint1(xArr,yArr,xArr1,yArr1)

回归树测试截图:

线性回归树测试代码如下:

trainMat = mat(loadDataSet('bikeSpeedVsIq_train.txt'))
testMat = mat(loadDataSet('bikeSpeedVsIq_test.txt'))
xArr = trainMat[:,0].flatten().A[0]
yArr = trainMat[:,1].flatten().A[0]
myTree = createTree(trainMat,modelLeaf,modelErr,(1,20))
yHat = createForeCast(myTree,testMat[:,0],modelTreeEval)
xArr1 = testMat[:,0].flatten().A[0]
yArr1 = yHat.flatten().A[0]
print(corrcoef(yHat,testMat[:,-1],rowvar=0)[0,1])
paint1(xArr,yArr,xArr1,yArr1)

线性模型树测试截图:

我们知道，R2值越接近1.0越好，所以从上面的结果可以看出，这里模型树的结果比回归树好 。下面再看看标准的线性回归效果如何，这里无须导人第8章的任何代码，本章已实现过一个线性方程求解函数linearSolve():

trainMat = mat(loadDataSet('bikeSpeedVsIq_train.txt'))
testMat = mat(loadDataSet('bikeSpeedVsIq_test.txt'))
ws,X,Y = linearSolve(trainMat)
yHat = zeros((shape(testMat)[0],1))
print(ws)
for i  in range(shape(testMat)[0]):
    yHat[i] = testMat[i,0]*ws[1,0] + ws[0,0]
print(corrcoef(yHat,testMat[:,1],rowvar=0)[0,1])

测试截图如下:

可以看到，该方法在R2值上的表现上不如上面两种树回归方法。所以，树回归方法在预测复杂数据时会比简单的线性模型更有效

本章后面章节是利用pythonGUI库Tkinter对回归模型比较，与机器学习关系不大，感兴趣的话可以查阅<机器学习实战>。