决策树算法的Python实现—基于金融场景实操

决策树是最经常使用的数据挖掘算法，本次分享jacky带你深入浅出，走进决策树的世界

基本概念

• 决策树（Decision Tree）

  • 它通过对训练样本的学习，并建立分类规则，然后依据分类规则，对新样本数据进行分类预测，属于有监督学习。

• 优点

  • 1）决策树易于理解和实现

    • 使用者不需要了解很多的背景知识，通过决策树就能够直观形象的了解分类规则；

  • 2）决策树能够同时处理数值型和非数值型数据

    • 在相对短的时间内，能够对大型数据做出可行且效果良好的结果；

逻辑－类比找对象

决策树分类的思想类似于找对象，例如一个女孩的母亲要给这个女孩介绍男朋友，于是母女俩有了下面的对话：

女儿问：“多大年龄了”；母亲答：“26”
女儿接着问：“长得帅不帅？”；母亲答：“挺帅的。”
女儿问：“收入高不？”；母亲答：“不算很高，中等情况”
女儿问：“是公务员吗？”；母亲答：“是，在财政局上班”
最后，女儿做出决定说：“那好，我去见见！”

这个女孩的决策过程就是典型的分类树决策:

在来看一个金融场景下的举例：客户向银行贷款的时候，银行对用户的贷款资格做一个评估的流程：

首先银行工作人员询问客户是否有房产，如何回答有，则判断客户可以偿还贷款，如果没有则进入第二层的属性判断询问，是否结婚，如何已婚，两个人可以负担的起贷款，则判断为可以偿还，否则进入第三层的属性判断询问，月薪是否超过五千，如果满足，则判断为可以偿还，否则给出不能偿还贷款的结论。

看完上面两个例子，我们可以看出，决策树是非常实用的，下面我们就进入正式案例的讲解；

案例实操

下面以金融场景举例：

情景铺垫

用户在购买互联网金融产品的过程“类似于”理财，对于P2P平台来说，严格来说，这个过程称之为撮合。

用户金融平台上充值购买相应期限和约定利率的金融产品，产品到期后，用户有两种选择一个是提现（赎回），另一个就是复投。

对于用户到期赎回的理解是比较简单的，比如你在2018年1月1日买了6个月10万定存金融产品，那么在2018年7月1日的时候，你可以选择连本带息全部赎回，当然你也可以在到期日选择在平台还款时，继续投资，这个过程就是复投。

下面，在严谨一点归纳复投的定义就是：
针对按月等额本息还款的用户，还款或，用户自己再投，这个过程就是复投。

需解决的问题

作为金融平台来说，为了把控风险，保证资金的流动性，都一定要提前预测（预判）未来一段时间内的用户充值和提现金额。
那么，准确预测用户到期是否复投，对于我们金融从业者和管理人员来说，就是特别重要了。

• 那么，我们可以提出我们亟需解决的问题：

  • 用户到期是否复投，我们改怎样预判？

一个初步模型的建立

场景：预测用户是否复投
注：以下源数据模拟真实数据编撰

(一)选择特征变量－featureDate

1. 数据源抓取

import pandas
data = pandas.read_csv('file:///Users/apple/Desktop/jacky_reinvest.csv',encoding='GBK')
print(data)

• jacky注解（1）：上面这份数据源其实是经过预处理（或者说是经过初步的数据清理的），我们拿到数据源的第一步一定是做数据清理的，数据科学与传统的统计科学，在实操中，区别最大的可能就是数据清理了，本文的数据源只用于学习举例用，所以数据还是比较规整的，但在实际工作中，一定不要忘了数据清洗这一步。

• jacky注解（2）: 初始心里预期这列是一个产品概念，就是用户在购买定存金融产品的时候，可以预先设定是否需要复投，当然这只是一个预设定，在用户购买到赎回这个过程中，我们都可以随时变更。复投模式是一个过去式，也是最终的复投结果，所以下面我们会把这列当作目标变量来处理。

2. 哑变量处理（虚拟变量转化）

需处理的特征变量有：

• 金融产品

• 初始心里预期

• 客户类别

#调用Map方法进行可比较大小虚拟变量的转换
productDict={'12个月定存':4,'6个月定存':3,'3个月定存':2,'1个月定存':1}
data['产品Map']=data['金融产品'].map(productDict)

#调用get_dummyColumns方法进行不可比较大小虚拟变量的转换
dummyColumns = ['初始心里预期','客户类别',]
for column in dummyColumns:
    data[column]= data[column].astype('category')

dummiesData=pandas.get_dummies(
    data,
    columns=dummyColumns,prefix=dummyColumns
    ,prefix_sep='_',dummy_na=False,drop_first=False)

#挑选可以建模的变量 featureData
fData = dummiesData[[
    '购买金额','产品Map','初始心里预期_复投','客户类别_VIP用户'
]]

• jacky注解（3）：关于哑变量更详细的说明，可以参照我《特征工程三部曲》这篇文章，哑变量处理要处理的就是离散变量，购买金额的列，因为都是连续型数据，所以就谈不上虚拟变量处理的。

• jacky注解（4）：离散变量分为有比较关系的离散变量和无比较关系的离散变量，所以需要用map方法和get_dummyColumns方法分别处理；

(二)选择目标变量-targerDate

#设定目标变量 targetData
tData = dummiesData['复投模式']

• jacky注解（5）：目标变量是我们分析问题的目标和结果，从目标变量既定的历史数据中，我们可以”喂养”数据，继而训练数据，最终达到洞察预测数据的目的。

(三)决策树问题的求解与建模

#生成决策树
from sklearn.tree import DecisionTreeClassifier

#设置最大叶子数为5
dtModel = DecisionTreeClassifier(max_leaf_nodes=5)

• jacky注解（6）：生成决策树并设置最大叶子树为5，使⽤sklearn的DecisionTreeClassifer类进⾏行决策树问题的求解与建模，关于最大叶子树，可以在看过图形化之后，在反过来理解这部分，就简单的多了，在这里我们可以先理解为是一个很常用的参数即可。

(四)10折交叉验证

#模型检验－交叉验证法
from sklearn.model_selection import cross_val_score
cross_val_score(
    dtModel,
    fData,tData,cv=10
)

• jacky注解（7）：从控制台的输出可以看出，每次验证的评分都超过0.9，是一个非常不错的模型，可以用于实践;

(五)模型训练

#训练模型
dtModel=dtModel.fit(fData,tData)

控制台结果输出：

(六)模型可视化

决策树的绘图方法：

• sklearn.tree.export_graphviz(… …)

  • dtModel:决策树模型

  • out_file:图形数据的输出路径

  • class_names:目标属性的名称，一般用于中文化

  • feature_names:特征属性的名称，一般用于种文化

  • filled= True :是否使用颜色填充

  • rounded=True：边框是否采用圆角边框

  • special_characters: 是否有特殊字符

#模型可视化
import pydotplus
from sklearn.externals.six import StringIO  #生成StringIO对象
from sklearn.tree import export_graphviz

dot_data = StringIO() #把文件暂时写在内存的对象中

export_graphviz(
    dtModel,
    out_file=dot_data,
    class_names=['复投','不复投'],
    feature_names=['购买金额','产品Map','初始心里预期_不复投','客户类别_VIP用户'],
    filled=True,rounded=True,special_characters=True
)
graph = pydotplus.graph_from_dot_data(dot_data.getvalue())
graph.write_png('shujudata.png')

• jacky注解（8）：需要提前安装graphviz软件

• jacky注解（9）：最大叶子树，一般设置为8个，因为叶子数太多，决策树的结构越复杂，太复杂的结构就会导致训练过度的问题，因此，在决策树算法中，设置合适叶子数是非常重要的。

• jacky注解（10）：gini值越接近于0，那么结果就越显而易见，如果越接近于1，那么结果就越难判定；

完整代码展示

#---author:朱元禄---

import pandas
data = pandas.read_csv('file:///Users/apple/Desktop/jacky_reinvest.csv',encoding='GBK')

#调用Map方法进行可比较大小虚拟变量的转换
productDict={'12个月定存':4,'6个月定存':3,'3个月定存':2,'1个月定存':1}
data['产品Map']=data['金融产品'].map(productDict)

#调用get_dummyColumns方法进行可比较大小虚拟变量的转换
dummyColumns = ['初始心里预期','客户类别',]
for column in dummyColumns:
    data[column]= data[column].astype('category')

dummiesData=pandas.get_dummies(
    data,
    columns=dummyColumns,prefix=dummyColumns
    ,prefix_sep='_',dummy_na=False,drop_first=False)

#挑选可以建模的变量 featureData
fData = dummiesData[[
    '购买金额','产品Map','初始心里预期_复投','客户类别_VIP用户'
]]

#设定目标变量 targetData
tData = dummiesData['复投模式']

#生成决策树
from sklearn.tree import DecisionTreeClassifier

#设置最大叶子数为8
dtModel = DecisionTreeClassifier(max_leaf_nodes=8)

'''
#模型检验－交叉验证法
from sklearn.model_selection import cross_val_score

cross_val_score(
    dtModel,
    fData,tData,cv=10
)
'''
#训练模型
dtModel=dtModel.fit(fData,tData)

#模型可视化
import pydotplus
from sklearn.externals.six import StringIO  #生成StringIO对象
from sklearn.tree import export_graphviz

dot_data = StringIO() #把文件暂时写在内存的对象中

export_graphviz(
    dtModel,
    out_file=dot_data,
    class_names=['复投','不复投'],
    feature_names=['购买金额','产品Map','初始心里预期_不复投','客户类别_VIP用户'],
    filled=True,rounded=True,special_characters=True
)
graph = pydotplus.graph_from_dot_data(dot_data.getvalue())
graph.write_png('shujudata.png')