sklearn库学习------决策树(回归树DecisionTreeRegressor)

Posted 2021-06-20 iostreamzl

目录

• • • 重要参数、属性及接口
    • 交叉验证
    • • 交叉检验的测试
    • 回归树示例
    • • 导入相关模块
      • 生成数据
      • 添加噪声
      • 训练模型
      • 测试模型

重要参数、属性及接口

回归树几乎所有参数、属性、接口都和分类树一样。需要注意的是在回归树中没有标签分布是否均衡的问题，因此回归树没有class_weight参数

• criterion：回归树衡量分支质量的指标，有三种标准
  1. 输入＂mse＂使用均方误差mean squared error（MSE）越接近0越好，父节点和叶子节点之间的均方误差的差额将被用来作为特征选择的标准，这种方法通过使用叶子节点的均值来最小化L2损失。
  2. 输入＂friedman_mse”使用费尔德曼均方误差，这种指标使用弗里德曼针对潜在分枝中的问题改进后的均方误差
  3. 输入“mae”使用绝对平均误差MAE（mean absolute error），这种指标使用叶节点的中值来最小化L1损失
     $$MSE=\frac{1}{N}\sum _{i=1}^N(f_i-y_i{)}^2$$
     其中N是样本数量，i表示第i各样本。f_i 是模型预测出的数值，y_i 是实际数值。所有MSE的本质是样本真是数据与预测值之间的误差。在回归树中MSE不仅是分支质量衡量的指标，也是常用的回归树质量衡量指标。
     注意回归树接口score返回的是R² (越接近1越好)。。

交叉验证

交叉验证是用来观察模型的稳定性的一种方法，我们将数据划分为n份，依次使用其中一份作为测试集，其他n-1份作为训练集，多次计算模型的精确性来评估模型的平均准确程度。训练集和测试集的划分会干扰模型的结果，因此用交叉验证n次的结果求出的平均值，是对模型效果的一个更好的度量。

交叉检验的测试

from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_boston
# 利用boston房价数据集来测试交叉检验
# 对于分类模型，交叉验证返回的是模型的精确度
# 对于回归模型，交叉验证默认返回的是R^2
# 可以改变scoring参数改变返回数据
# 一般使用MSE(均方误差)
boston = load_boston()

# 定义模型
dtr = DecisionTreeRegressor()

# 交叉检验会自动分割数据据，所以不需要人为对数据据进行划分
# cv 表示划分数据集的份数，推荐5或10
r2_cv = cross_val_score(dtr, boston['data'], boston['target'], cv=10)
# r2 越接近1越好

neg_MSE_cv = cross_val_score(dtr, boston['data'], boston['target'], cv=10, scoring='neg_mean_squared_error')
# 返回负的均方误差，均方误差越接近0越好

print(r2_cv)
print(neg_MSE_cv)

回归树示例

通过numpy随机生成80个数据，并计算正弦值，将正弦值作为target，x值为features。
给生成的target添加一些噪声。
训练模型，分别限制最大深度为3 和5，再用训练数据来测试模型
对numpy不了解的可以参考numpy笔记

导入相关模块

from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_boston
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

生成数据

# 确保每次随机出来的数据是一样的，方便调试
np.random.seed(1)

# 随机生成0-10之间的50个数字
x = np.random.uniform(0, 10, size=(80, 1))

# 将数据排序，方便后面画图操作
x.sort(axis=0)

# 计算正弦值
y = np.sin(x).reshape(80)

# 画出散点图看数据分布
plt.scatter(x, y)

添加噪声

# 给数据添加噪声
# 每5个点将其数值变为1-2*n，n为0-1之间的随机数
y[::5] = 1 - 2 * (np.random.rand(y[::5].shape[0]))
plt.scatter(x, y)

训练模型

# 训练模型,最大深度为三
dcr_3 = DecisionTreeRegressor(max_depth=3)
dcr_3.fit(x, y)

# 最大深度为5
dcr_5 = DecisionTreeRegressor(max_depth=5)
dcr_5.fit(x, y)

测试模型

# 用训练集来检测模型

plt.figure(figsize=(10, 8))

plt.scatter(x, y, label='row data')

y3_predict = dcr_3.predict(x)
plt.plot(x, y3_predict, color='red', label='3_depth')

y5_predict = dcr_5.predict(x)
plt.plot(x, y5_predict, color='green', label='5_depth')

plt.legend(loc='best', fontsize=20)

# 很明显的看出，最大深度为3 的决策树，的拟合程度是基本符合原始数据分布的
# 最大深度为5的决策树，对原始数据拟合很好，过多的考虑了数据中的噪声点
# 这种情况就是过拟合了