机器学习之决策树

# coding = utf-8
from sklearn.datasets import load_iris, fetch_20newsgroups, load_boston
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import classification_report
from sklearn.feature_extraction import DictVectorizer
from sklearn.tree import DecisionTreeClassifier, export_graphviz
from sklearn.ensemble import RandomForestClassifier
import pandas as pd
'''
信息熵：H(x) = -P(x)logP(x) ，P(x)目标值的概率

信息增益：属性(特征)的信息熵，目的是消除不确定性信息
    特征的信息增益越大，说明更具有代表
划分依据：
    信息增益最大原则：ID3
    信息增益比最大原则：C4.5
    回归树:平方误差最小
    分类树：基尼系数，
    
API:sklearn.tree import DecisionTreeClassifier
    sklearn.tree.DecisionTreeClassifier(criterion=’gini’, max_depth=None,random_state=None)
    决策树分类器
    criterion:默认是’gini’系数，也可以选择信息增益的熵’entropy’
    max_depth:树的深度大小
    random_state:随机数种子
    
    method:
    decision_path:返回决策树的路径


pd转换字典：x_train.to_dict(orient="records")

优点：
    数目可视化
    数据量不需要很大
    
缺点：容易过拟合 ，解决方法：剪枝操作


算法步骤：
    1、pd读取数据
    2、选择有影响的特征，处理缺失值
    3、进行特征工程，pd转换字典，特征抽取
        x_train.to_dict(orient="records")
    4、决策树估计器流程


决策树优点：
    能够有效地运行在大数据集上
    能够处理具有高维特征的输入样本，而且不需要降维
    能够评估各个特征在分类问题上的重要性
    对于缺省值问题也能够获得很好得结果
    
随机森林：是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。
        即对n样本中进行n次抽样 ，同样对m特征进行m次抽取，建立一颗决策树
    
随机森林API：
    sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’,
     max_depth=None, bootstrap=True, random_state=None)
    随机森林分类器
    n_estimators：integer，optional（default = 10） 森林里的树木数量
    criteria：string，可选（default =“gini”）分割特征的测量方法
    max_depth：integer或None，可选（默认=无）树的最大深度 
    bootstrap：boolean，optional（default = True）是否在构建树时使用放回抽样

查看决策树生成的树状结构图.dot文件
　　1、安装 graphviz 
　　2、运行 dot -Tpng tree.dot -o tree.png

'''


def decision():
    """
    决策树对泰坦尼克号进行预测生死
    :return: None
    """
    # 获取数据
    titan = pd.read_csv("http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt")

    # 处理数据，找出特征值和目标值
    x = titan[['pclass', 'age', 'sex']]

    y = titan['survived']

    print(x)
    # 缺失值处理
    x['age'].fillna(x['age'].mean(), inplace=True)

    # 分割数据集到训练集合测试集
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)

    # 进行处理（特征工程）特征-》类别-》one_hot编码
    dict = DictVectorizer(sparse=False)

    x_train = dict.fit_transform(x_train.to_dict(orient="records"))

    print(dict.get_feature_names())

    x_test = dict.transform(x_test.to_dict(orient="records"))

    # print(x_train)
    # 用决策树进行预测
    # dec = DecisionTreeClassifier()
    #
    # dec.fit(x_train, y_train)
    #
    # # 预测准确率
    # print("预测的准确率：", dec.score(x_test, y_test))
    #
    # # 导出决策树的结构
    # export_graphviz(dec, out_file="./tree.dot", feature_names=['年龄', 'pclass=1st', 'pclass=2nd', 'pclass=3rd', '女性', '男性'])

    # 随机森林进行预测 （超参数调优）
    rf = RandomForestClassifier(n_jobs=-1)

    #网格搜索，共30次搜索过程
    param = {"n_estimators": [120, 200, 300, 500, 800, 1200], "max_depth": [5, 8, 15, 25, 30]}

    # 网格搜索与交叉验证
    gc = GridSearchCV(rf, param_grid=param, cv=2)

    gc.fit(x_train, y_train)

    print("准确率：", gc.score(x_test, y_test))

    print("查看选择的参数模型：", gc.best_params_)

    return None

计算方法：