決策樹（DTS）是一種非參數監(jiān)督學習用于方法分類和回歸。目標是創(chuàng)建一個模型，通過學習從數據特征推斷的簡單決策規(guī)則來預測目標變量的值。

例如，在下面的示例中，決策樹從數據中學習，以一組if-then-else決策規(guī)則近似正弦曲線。樹越深，決策規(guī)則和鉗工模型越復雜。

決策樹的一些優(yōu)點是：

• 簡單的理解和解釋。樹木可視化。
• 需要很少的數據準備。其他技術通常需要數據歸一化，需要創(chuàng)建虛擬變量，并刪除空值。請注意，此模塊不支持缺少值。
• 使用樹的成本（即，預測數據）在用于訓練樹的數據點的數量上是對數的。
• 能夠處理數字和分類數據。其他技術通常專門用于分析只有一種變量類型的數據集。有關更多信息，請參閱算法。
• 能夠處理多輸出問題。
• 使用白盒模型。如果給定的情況在模型中可以觀察到，那么條件的解釋很容易用布爾邏輯來解釋。相比之下，在黑盒子模型（例如，在人造神經網絡中），結果可能更難解釋。
• 可以使用統(tǒng)計測試驗證模型。這樣可以說明模型的可靠性。
• 即使其假設被數據生成的真實模型有些違反，表現良好。

決策樹的缺點包括：

• 決策樹學習者可以創(chuàng)建不能很好地推廣數據的過于復雜的樹。這被稱為過擬合。修剪（不支持當前）的機制，設置葉節(jié)點所需的最小樣本數或設置樹的最大深度是避免此問題的必要條件。
• 決策樹可能不穩(wěn)定，因為數據的小變化可能會導致完全不同的樹生成。通過使用合奏中的決策樹來減輕這個問題。
• 在最優(yōu)性的幾個方面甚至簡單的概念中，學習最優(yōu)決策樹的問題已知是NP完整的。因此，實際的決策樹學習算法基于啟發(fā)式算法，例如在每個節(jié)點進行局部最優(yōu)決策的貪心算法。這樣的算法不能保證返回全局最優(yōu)決策樹。這可以通過在綜合學習者中訓練多個樹木來緩解，其中特征和樣本隨機抽樣取代。
• 有一些難以學習的概念，因為決策樹不能很容易地表達它們，例如XOR，奇偶校驗或復用器問題。
• 如果某些類占主導地位，決策樹學習者會創(chuàng)造有偏見的樹木。因此，建議在擬合之前平衡數據集與決策樹。

?

分類?

DecisionTreeClassifier?是能夠對數據集執(zhí)行多類分類的類。

與其他分類器一樣，DecisionTreeClassifier將輸入兩個數組：數組X，稀疏或密集，大小為[n_samples，n_features]，保存訓練樣本，以及整數值的數組Y，大小[n_samples]，持有類標簽 訓練樣本：

>>> from sklearn import tree >>> X = [[0, 0], [1, 1]] >>> Y = [0, 1] >>> clf = tree.DecisionTreeClassifier() >>> clf = clf.fit(X, Y)

安裝后，可以使用該模型來預測樣品類別：

>>> clf.predict([[2., 2.]]) array([1])

或者，可以預測每個類的概率，這是葉中相同類的訓練樣本的分數：

>>> clf.predict_proba([[2., 2.]]) array([[ 0.,? 1.]])

DecisionTreeClassifier?能夠二進制（其中標簽是[-1,1]）分類和多類（其中標簽是[0，...，K-1]）分類。

使用Iris數據集，我們可以構造一個樹，如下所示：

>>> from sklearn.datasets import load_iris >>> from sklearn import tree >>> iris = load_iris() >>> clf = tree.DecisionTreeClassifier() >>> clf = clf.fit(iris.data, iris.target)

經過訓練，我們可以使用導出器以Graphviz格式導出樹export_graphviz?。以下是在整個虹膜數據集上訓練的樹的示例導出：

>>> with open("iris.dot", 'w') as f: ...???? f = tree.export_graphviz(clf, out_file=f)

然后我們可以使用的Graphviz的dot工具來創(chuàng)建一個PDF文件（或任何其他支持的文件類型）：?dot?-Tpdf?iris.dot?-o?iris.pdf

>>> import os >>> os.unlink('iris.dot')

或者，如果我們安裝了Python模塊pydotplus，我們可以直接在Python中生成PDF文件（或任何其他支持的文件類型）：

>>> import pydotplus >>> dot_data = tree.export_graphviz(clf, out_file=None) >>> graph = pydotplus.graph_from_dot_data(dot_data) >>> graph.write_pdf("iris.pdf")

export_graphviz出口也支持多種美學選項，包括可以通過類著色節(jié)點（或值回歸）和如果需要的話使用顯式的變量和類名稱。IPython筆記本還可以使用Image（）函數內聯(lián)渲染這些圖：

>>> from IPython.display import Image? >>> dot_data = tree.export_graphviz(clf, out_file=None, ?????????????????????????feature_names=iris.feature_names,? ?????????????????????????class_names=iris.target_names,? ?????????????????????????filled=True, rounded=True,? ?????????????????????????special_characters=True)? >>> graph = pydotplus.graph_from_dot_data(dot_data)? >>> Image(graph.create_png())

安裝后，可以使用該模型來預測樣品類別：

>>> clf.predict(iris.data[:1, :]) array([0])

或者，可以預測每個類的概率，這是葉中相同類的訓練樣本的分數：

>>> clf.predict_proba(iris.data[:1, :]) array([[ 1.,? 0.,? 0.]])

回歸

決策樹也可以應用于回歸問題，使用?DecisionTreeRegressor類。

如在分類設置中，擬合方法將作為參數數組X和y，只有在這種情況下，y預期具有浮點值而不是整數值：

>>> from sklearn import tree >>> X = [[0, 0], [2, 2]] >>> y = [0.5, 2.5] >>> clf = tree.DecisionTreeRegressor() >>> clf = clf.fit(X, y) >>> clf.predict([[1, 1]]) array([ 0.5])

復雜性

一般來說，構建平衡二叉樹的運行時間成本是?查詢時間?。雖然樹構造算法試圖產生平衡的樹，但它們并不總是平衡的。假設子樹保持近似平衡，每個節(jié)點的成本包括搜索，以找到提供熵最大減少的特征。這在每個節(jié)點都有成本?，從而導致整個樹上的總成本（通過將每個節(jié)點的成本相加）?。

Scikit-learning為決策樹的構建提供了更有效的實施。一個天真的實現（如上所述）將重新計算沿著給定特征的每個新分割點的類標簽直方圖（用于分類）或平均值（用于回歸）。在所有相關樣本上預定特征，并保留正在運行的標簽數量，將降低每個節(jié)點的復雜度，從而導致總成本。這是所有基于樹的算法的選項。默認情況下，它會打開梯度提升，一般來說，訓練更快，但關閉所有其他算法，因為它傾向于減緩訓練深度樹上的訓練。

實用竅門

• 決策樹傾向于對具有大量特征的數據進行過度整合。獲取正確的樣本比例數量是很重要的，因為在高維空間中具有少量樣本的樹很可能會過度使用。
• 考慮事先進行降維（PCA，?ICA或特征選擇），使您的樹更好地找到具有歧視性的特征。
• 通過使用該export?功能可視化您正在訓練的樹。使用max_depth=3作為初始樹深度以獲取樹是如何配合你的數據的感覺，再增加深度。
• 請記住，填充樹的樣本數量是樹生長到的每個附加級別的兩倍。使用max_depth控制樹的大小，以防止過度擬合。
• 使用min_samples_split或min_samples_leaf控制葉節(jié)點的樣本數。一個非常小的數字通常意味著樹將被超配，而大量將阻止樹學習數據。嘗試min_samples_leaf=5作為初始值。如果樣本大小變化很大，則浮點數可以用作這兩個參數中的百分比。兩者之間的主要區(qū)別在于min_samples_leaf保證葉片中最少的樣本數量，同時min_samples_split可以創(chuàng)建任意小的葉子，盡管min_samples_split在文獻中更為常見。
• 在訓練前平衡您的數據集，以防止樹木偏向于主導階層。可以通過從每個類中抽取相等數量的樣本，或者優(yōu)選地通過將每個類的樣本權重（sample_weight）的和歸一化為相同的值來進行類平衡。還要注意的是，基于權重的預修剪標準，比如min_weight_fraction_leaf不了解樣本權重的標準，對主導類別的偏向偏小min_samples_leaf。
• 如果樣本被加權，則使用基于重量的預剪枝準則來優(yōu)化樹結構將更容易，例如min_weight_fraction_leaf確保葉節(jié)點至少包含樣本權重總和的一小部分。
• 所有決策樹都在np.float32內部使用陣列。如果培訓數據不是這種格式，將會生成數據集的副本。
• 如果輸入矩陣X非常稀疏，則在調用預測csc_matrix之前，建議在調用擬合和稀疏csr_matrix之前將其轉換為稀疏?。當特征在大多數樣本中具有零值時，與密集矩陣相比，訓練時間可以比稀疏矩陣輸入快幾個數量級。

樹算法：ID3，C4.5，C5.0和?CART

所有各種決策樹算法是什么，它們之間有什么不同？哪一個在scikit學習中實現？

ID3（Iterative Dichotomiser 3）是由羅斯奎因蘭（Ros Quinlan）于1986年開發(fā)的。該算法創(chuàng)建一個多路樹，找到每個節(jié)點（即以貪婪的方式）分類特征，這將產生分類目標的最大信息增益。樹生長到最大尺寸，然后通常應用修剪步驟，以提高樹的概括性來看待數據的能力。

C4.5是ID3的后繼者，并通過動態(tài)定義將連續(xù)屬性值分割成一組離散的間隔的離散屬性（基于數字變量），消除了特征必須是分類的限制。C4.5將訓練好的樹（即ID3算法的輸出）轉換成if-then規(guī)則的集合。然后評估每個規(guī)則的這些準確性以確定應用它們的順序。如果規(guī)則的準確性沒有改善，則通過刪除規(guī)則的前提條件來完成修剪。

C5.0是Quinlan根據專有許可證發(fā)布的最新版本。它使用更少的內存，并建立比C4.5更小的規(guī)則集，同時更準確。

CART（分類和回歸樹）與C4.5非常相似，但它不同之處在于它支持數值目標變量（回歸），并且不計算規(guī)則集。CART使用在每個節(jié)點產生最大信息增益的特征和閾值來構造二叉樹。

scikit-learn使用CART算法的優(yōu)化版本。

?

數學公式

給定訓練向量i = 1，...，l和標簽向量?，決策樹遞歸地分割空間，使得具有相同標簽的樣本被分組在一起。

讓節(jié)點上的數據表示。對于每個候選分割由特征和閾值，將數據劃分為?與子集

在雜質用的雜質函數被計算?，這取決于任務的選擇正在解決（分類或回歸）

選擇最小化雜質的參數

遞歸的子集，并?直至達到所允許的最大深度，?或。

分類標準

如果一個目標是采用值0,1，...，K-1的分類結果，對于節(jié)點，表示具有?觀察的區(qū)域，

是節(jié)點中k類觀測的比例?

雜質的常見措施是基尼

交叉熵

和錯誤分類

回歸標準

如果目標是連續(xù)值，則對于表示具有觀測值的區(qū)域的節(jié)點，最小化的共同標準是均方誤差

總結

以上是生活随笔為你收集整理的scikit-learn学习笔记（六）Decision Trees（决策树）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。