决策树应用

Posted 2020-12-28 xlandll

        上一篇讲了ID3决策树原理，现在开始拿一个例子进行实战

一、python机器学习库

       scikit-learn。sklearn是一个Python第三方提供的非常强力的机器学习库，它包含了从数据预处理到训练模型的各个方面。在实战使用scikit-learn中可以极大的节省我们编写代码的时间以及减少我们的代码量，使我们有更多的精力去分析数据分布，调整模型和修改超参。sklearn基本包含了所有机器学习的方式，如

• Classification 分类，如SVM
• Regression 回归 ，如LR
• Clustering 非监督分类，如聚类
• Dimensionality reduction 数据降维，如PCA
• Model Selection 模型选择
• Preprocessing 数据预处理       

sklearn包含了所有的机器学习算法，例如本文将用到sklearn中的ID3算法。

在python环境中可以通过 from sklearn.XXXX import XXXX的形式导入sklearn包，例如，本例要使用sklean中决策树将以from sklearn import tree的形式在python环境中导入决策树算法。

 

二、实战演练

 1、项目说明

      本例数据将用上一篇文章电脑销售数据，运用ID3决策树的算法对数据进行分类，即用python编程，得到最终的决策树，数据如下，我将数据放入excel表格里面，是为了方面python读取数据。

2、数据预处理

      这里要说明，sklearn提供的tree类，只接受数值型的数据，不接受文本数据，所以需要对数据进行预处理，在本例中需要对数据转化成虚拟变量（dummy variable）。

   （1）虚拟变量（dummy variable）

            虚拟变量又称虚设变量、名义变量或哑变量，用以反映质的属性的一个人工变量,是量化了的质变量，通常取值为0或1，一般地，在虚拟变量的设置中：基础类型、肯定类型取值为1；比较类型，否定类型取值为0。这些概念往往让人看不懂，其实说白了就是将数据都变成1或者0，但具体怎么转化？拿本例的age属性来说，age有三个取值｛youth，senior,middle_aged｝现在将age的取值转化为dummy variable，将youth转化为[1,0,0] ，即1代表youth，后面两个0代表senior和middle_aged，同理，将senior转化为[0,1,0]，将middle_aged转化为[0,0,1]。再拿student属性来说，student有两个属性｛yes，no｝，现在将student的取值转化为dummy variable，将yes转化为[1,0]，将no转化为[0,1]。按照同样的原理将整个表的数据都转化成dummy variable。

            在sklearn中有个DictVectorizer类可以直接将数据转化为dummy variable，但DictVectorizer需要接受字典的形式，所以本次数据预处理的步骤有：

            1、将数据转为字典形式，如表中编号1数据，转化为字典形式为：[{‘age‘:‘youth‘},{‘income‘:‘high‘},{‘student‘:‘no‘},{‘credit_rating‘:‘fair‘},{‘buys‘_computer:‘no‘}],同理其他数据也要转化呈这种形式，最后将这些字典放在一个列表当中。

            2、将上一步所得的列表传入DictVectorizer中，将数据转化为dummy variable。

     （2）代码实现预处理过程

 1 import pandas as pd
 2 
 3 data=pd.read_excel(‘./data/决策树1.xls‘)
 4 data=pd.DataFrame(data)
 5 
 6 valuedata=data.values#表里面的数据
 7 header=list(data.columns)[1:6]#表头
 8 
 9 featureList=[]#这个列表用于存放处理后得到的字典
10 labelList=data[‘Class_buys_computer‘]#存放表中Class_buys_computer属性的数据
11 for value in valuedata:
12     featureDict={}
13     for i in range(4):
14         featureDict[header[i]]=value[i+1]
15     featureList.append(featureDict)
16         

 

 

 

以上的代码是将数据变成字典的过程，输出的featureList为：

将得到的featureList传送给sklearn中的DictVectorizer的对象，最后将数据转化为dummy variable。

 

1 from sklearn.feature_extraction import DictVectorizer
2 from sklearn import preprocessing
3 
4 vec=DictVectorizer()
5 dummyX=vec.fit_transform(featureList).toarray()
6 lb=preprocessing.LabelBinarizer()
7 dummyY=lb.fit_transform(labelList)

 

 

 

preprocessing是sklearn中的预处理模块，而preprocessing.LabelBinarizer()是专门将标签变量进行二值化，比如本例，将Class_buys_computer中的取值yes和no转化为1和0

打印dummyX和dummyY的结果为：

 

 

 

3、建立决策树

from sklearn import tree
from sklearn.externals.six import StringIO

clf=tree.DecisionTreeClassifier(criterion=‘entropy‘)
clf=clf.fit(dummyX,dummyY)

 

在python环境中通过from sklearn import tree导入决策树模块，调用tree.DecisionTreefier（）建立决策树模型，在参数中criterion是选择决策树中的类型，
entropy代表信息熵，所以选择ID3模型。再调用fit（）函数对预处理得到的dummyX，和dummyY进行训练。将得到的clf打印出来结果为：

可以看到，我们建立ID3决策树的具体参数配置，具体参数的意义，可以自行查阅。现在需要对最后的模型进行可视化，决策树的可视化需要另外安装Graphviz环境，他的下载地址为
 http://www.graphviz.org/，下载安装完后，需要加入环境变量，具体下载安装过程网上有很多。这里不再赘述。

with open("allElectronicsInformationGainOri.dot",‘w‘) as f:
    f=tree.export_graphviz(clf,feature_names=vec.get_feature_names(),out_file=f)

 

它会在本目录下生成一个叫，allElecrionInformationGainOri.dot文件，里面的内容为：

这种dot文件都是文字叙述，看起来有点乱，但Graphviz可以将dot文件转化为pdf格式，内容为最后的决策树形状
但需要执行一个命令，就是先打开windows的命令窗口， 转化dot文件至pdf可视化决策树语句：dot -Tpdf iris.dot -o outpu.pdf，再本目录里面会得到一个pdf文件
里面是最终的决策树：

这个决策树跟我们手工算出得出的形状不太一样，这是sklearn将决策树进行了优化，优化的手段有“剪枝”等处理，这将会在后续文章，进行讲解。
至此整个应用到此完毕，请读者手动去实践一下吧。

下一篇文章： 决策树原理（二）