机器学习 从入门到精通 day_04

1. 决策树-分类

1.1 概念

        1. 决策节点 通过条件判断而进行分支选择的节点。如：将某个样本中的属性值(特征值)与决策节点上的值进行比较，从而判断它的流向。
        2. 叶子节点 没有子节点的节点，表示最终的决策结果。
        3. 决策树的深度 所有节点的最大层次数，决策树具有一定的层次结构，根节点的层次数定为0，从下面开始每一层子节点层次数增加。
        4. 决策树优点：可视化 - 可解释能力-对算力要求低。
        5. 决策树缺点：容易产生过拟合，所以不要把深度调整太大了。

	是动物	能飞	有羽毛
麻雀	1	1	1
蝙蝠	1	1	0
飞机	0	1	0
熊猫	1	0	0

         是否为动物：

	是动物	能飞	有羽毛
麻雀	1	1	1
蝙蝠	1	1	0
熊猫	1	0	0

        是否会飞：

	是动物	能飞	有羽毛
麻雀	1	1	1
蝙蝠	1	1	0

        是否有羽毛：

	是动物	能飞	有羽毛
麻雀	1	1	1

1.2 基于信息增益决策树的建立

        信息增益决策树倾向于选择取值较多的属性，在有些情况下这类属性可能不会提供太多有价值的信息，算法只能对描述属性为离散型属性的数据集构造决策树。
        根据以下信息构建一棵预测是否贷款的决策树。我们可以看到有4个影响因素：职业，年龄，收入和学历。

	职业	年龄	收入	学历	是否贷款
1	工人	36	5500	高中	否
2	工人	42	2800	初中	是
3	白领	45	3300	小学	是
4	白领	25	10000	本科	是
5	白领	32	8000	硕士	否
6	白领	28	13000	博士	是

        （1）信息熵：信息熵描述的是不确定性。信息熵越大，不确定性越大。信息熵的值越小，则D的纯度越高。
        假设样本集合D共有N类，第k类样本所占比例为，则D的信息熵为：

        （2）信息增益：信息增益是一个统计量，用来描述一个属性区分数据样本的能力。信息增益越大，那么决策树就会越简洁。这里信息增益的程度用信息熵的变化程度来衡量, 信息增益公式：

        （3 ）信息增益决策树建立步骤：第一步,计算根节点的信息熵上表根据是否贷款把样本分成2类样本，"是"占4/6=2/3, "否"占2/6=1/3，所以；第二步,计算属性的信息增益：
        <1> "职业"属性的信息增益，在职业中，工人占1/3,  工人中，是否代款各占1/2,  所以有，在职业中，白领占2/3,  白领中，是贷款占3/4, 不贷款占1/4, 所以有，所以有，最后得到职业属性的信息增益为：。
        <2>" 年龄"属性的信息增益（以35岁为界）

        <3> "收入"属性的信息增益（以10000为界,大于等于10000为一类）

        <4> "学历"属性的信息增益（以高中为界, 大于等于高中的为一类）

        第三步，划分属性，对比属性信息增益发现，"收入"和"学历"相等，并且是最高的，所以我们就可以选择"学历"或"收入"作为第一个决策树的节点， 接下来我们继续重复1，2的做法继续寻找合适的属性节点。

1.3 基于基尼指数决策树的建立(了解)

        基尼指数（Gini Index）是决策树算法中用于评估数据集纯度的一种度量，基尼指数衡量的是数据集的不纯度，或者说分类的不确定性。在构建决策树时，基尼指数被用来决定如何对数据集进行最优划分，以减少不纯度。

        基尼指数的计算：对于一个二分类问题，如果一个节点包含的样本属于正类的概率是 (p)，则属于负类的概率是 (1-p)。那么，这个节点的基尼指数 (Gini(p)) 定义为：

                                        

        对于多分类问题，如果一个节点包含的样本属于第 k 类的概率是 p_k，则节点的基尼指数定义为：

                ​​​​​​​        ​​​​​​​        ​​​​​​​        

        基尼指数的意义：1. 当一个节点的所有样本都属于同一类别时，基尼指数为 0，表示纯度最高。2. 当一个节点的样本均匀分布在所有类别时，基尼指数最大，表示纯度最低。

        决策树中的应用：在构建决策树时，我们希望每个内部节点的子节点能更纯，即基尼指数更小。因此，选择分割特征和分割点的目标是使子节点的平均基尼指数最小化。具体来说，对于一个特征，我们计算其所有可能的分割点对应的子节点的加权平均基尼指数，然后选择最小化这个值的分割点。这个过程会在所有特征中重复，直到找到最佳的分割特征和分割点。

        例如，考虑一个数据集 (D)，其中包含 (N) 个样本，特征 (A) 将数据集分割为 |D_1|和 |D_2| ，则特征 (A) 的基尼指数为：

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        

其中 |D_1|和 |D_2| 分别是子集 D_1 和 D_2 中的样本数量。

        通过这样的方式，决策树算法逐步构建一棵树，每一层的节点都尽可能地减少基尼指数，最终达到对数据集的有效分类。

        案例:

        首先工资有两个取值，分别是0和1。当工资=1时，有3个样本。所以：

        同时，在这三个样本中，工作都是好。所以：

        就有了加号左边的式子：

        同理，当工资=0时，有5个样本，在这五个样本中，工作有3个是不好，2个是好。就有了加号右边的式子：

        同理，可得压力的基尼指数如下：

        平台的基尼指数如下：

        在计算时，工资和平台的计算方式有明显的不同。因为工资只有两个取值0和1，而平台有三个取值0,1,2。所以在计算时，需要将平台的每一个取值都单独进行计算。比如：当平台=0时，将数据集分为两部分，第一部分是平台=0，第二部分是平台!=0(分母是5的原因)。根据基尼指数最小准则， 我们优先选择工资或者平台=0作为D的第一特征。
        我们选择工资作为第一特征，那么当工资=1时，工作=好，无需继续划分。当工资=0时，需要继续划分。
        当工资=0时，继续计算基尼指数：

        当平台=0时，基尼指数=0，可以优先选择。同时，当平台=0时，工作都是好，无需继续划分，当平台=1,2时，工作都是不好，也无需继续划分。直接把1,2放到树的一个结点就可以。

1.4 API介绍  

class sklearn.tree.DecisionTreeClassifier(....)
参数：
criterion "gini" "entropy” 默认为="gini" 当criterion取值为"gini"时采用 基尼不纯度（Gini impurity）算法构造决策树，当criterion取值为"entropy”时采用信息增益（ information gain）算法构造决策树.
max_depth	int, 默认为=None  树的最大深度# 可视化决策树
function sklearn.tree.export_graphviz(estimator, out_file="iris_tree.dot", feature_names=iris.feature_names)
参数：estimator决策树预估器out_file生成的文档feature_names节点特征属性名
功能:把生成的文档打开，复制出内容粘贴到"http://webgraphviz.com/"中，点击"generate Graph"会生成一个树型的决策树图

        示例：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.tree import DecisionTreeClassifier, export_graphviz# 1）获取数据集
iris = load_iris()# 2）划分数据集
x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=22)#3）标准化
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)# 4）决策树预估器
estimator = DecisionTreeClassifier(criterion="entropy")estimator.fit(x_train, y_train)# 5）模型评估，计算准确率
score = estimator.score(x_test, y_test)
print("准确率为：\n", score)# 6）预测
index=estimator.predict([[2,2,3,1]])
print("预测:\n",index,iris.target_names,iris.target_names[index])# 可视化决策树
export_graphviz(estimator, out_file="iris_tree.dot", feature_names=iris.feature_names)

        把文件"iris_tree.dot"内容粘贴到"Webgraphviz"点击"generate Graph"决策树图：

        示例：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction import DictVectorizer
from sklearn.tree import DecisionTreeClassifier, export_graphviz
# 1、获取数据
titanic = pd.read_csv("src/titanic/titanic.csv")
titanic.head()
# 筛选特征值和目标值
x = titanic[["pclass", "age", "sex"]]
y = titanic["survived"]#2、数据处理
# 1）缺失值处理， 因为其中age有缺失值。
x["age"].fillna(x["age"].mean(), inplace=True)# 2) 转换成字典， 因为其中数据必须为数字才能进行决策树，所在先转成字典，后面又字典特征抽取，这样之后的数据就会是数字了, 鸢尾花的数据本来就全部是数字，所以不需要这一步。
"""
x.to_dict(orient="records") 这个方法通常用于 Pandas DataFrame 对象，用来将 DataFrame 转换为一个列表，其中列表的每一个元素是一个字典，对应于 DataFrame 中的一行记录。字典的键是 DataFrame 的列名，值则是该行中对应的列值。
假设你有一个如下所示的 DataFrame x:A  B  C
0  1  4  7
1  2  5  8
2  3  6  9
执行 x.to_dict(orient="records")，你会得到这样的输出：
[{'A': 1, 'B': 4, 'C': 7},{'A': 2, 'B': 5, 'C': 8},{'A': 3, 'B': 6, 'C': 9}
]
"""
x = x.to_dict(orient="records")
# 3)、数据集划分
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=22)
# 4)、字典特征抽取
transfer = DictVectorizer()
x_train = transfer.fit_transform(x_train) #稀疏矩阵
x_test = transfer.transform(x_test)# 3）决策树预估器
estimator = DecisionTreeClassifier(criterion="entropy", max_depth=8)
estimator.fit(x_train, y_train)# 4）模型评估
# 方法1：直接比对真实值和预测值
y_predict = estimator.predict(x_test)
print("y_predict:\n", y_predict)
print("直接比对真实值和预测值:\n", y_test == y_predict)# 方法2：计算准确率
score = estimator.score(x_test, y_test)
print("准确率为：\n", score)# 6）预测
x_test = transfer.transform([{'pclass': '1rd', 'age': 22.0, 'sex': 'female'}])
index=estimator.predict(x_test)
print("预测1:\n",index)#[1]  头等舱的就可以活下来
x_test = transfer.transform([{'pclass': '3rd', 'age': 22.0, 'sex': 'female'}])
index=estimator.predict(x_test)
print("预测2:\n",index)#[0]  3等舱的活不下来# 可视化决策树
export_graphviz(estimator, out_file="titanic_tree.dot", feature_names=transfer.get_feature_names_out())

2. 集成学习方法之随机森林

        机器学习中有一种大类叫集成学习（Ensemble Learning），集成学习的基本思想就是将多个分类器组合，从而实现一个预测效果更好的集成分类器。集成算法可以说从一方面验证了中国的一句老话：三个臭皮匠，赛过诸葛亮。集成算法大致可以分为：Bagging，Boosting 和 Stacking 三大类型。

（1）每次有放回地从训练集中取出 n 个训练样本，组成新的训练集；

（2）利用新的训练集，训练得到M个子模型；

（3）对于分类问题，采用投票的方法，得票最多子模型的分类类别为最终的类别；

        随机森林就属于集成学习,是通过构建一个包含多个决策树(通常称为基学习器或弱学习器)的森林，每棵树都在不同的数据子集和特征子集上进行训练，最终通过投票或平均预测结果来产生更准确和稳健的预测。这种方法不仅提高了预测精度，也降低了过拟合风险，并且能够处理高维度和大规模数据集。

2.1 算法原理

• 随机: 特征随机，训练集随机

  • 样本：对于一个总体训练集T，T中共有N个样本，每次有放回地随机选择n个样本。用这n个样本来训练一个决策树。

  • 特征：假设训练集的特征个数为d，每次仅选择k(k<d)个来构建决策树。

• 森林: 多个决策树分类器构成的分类器, 因为随机，所以可以生成多个决策树

• 处理具有高维特征的输入样本，而且不需要降维

• 使用平均或者投票来提高预测精度和控制过拟合

2.2 API 介绍

class sklearn.ensemble.RandomForestClassifier参数：
n_estimators	int, default=100
森林中树木的数量。(决策树个数)criterion	{“gini”, “entropy”}, default=”gini” 决策树属性划分算法选择当criterion取值为“gini”时采用 基尼不纯度（Gini impurity）算法构造决策树，当criterion取值为 “entropy” 时采用信息增益（ information gain）算法构造决策树.max_depth	int, default=None 树的最大深度。 

        示例：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction import DictVectorizer
from sklearn.tree import  export_graphviz
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV# 1、获取数据
titanic = pd.read_csv("src/titanic/titanic.csv")
titanic.head()
# 筛选特征值和目标值
x = titanic[["pclass", "age", "sex"]]
y = titanic["survived"]#2、数据处理
# 1）缺失值处理
x["age"].fillna(x["age"].mean(), inplace=True)
# 2) 转换成字典
x = x.to_dict(orient="records")
# 3)、数据集划分
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=22)
# 4)、字典特征抽取
transfer = DictVectorizer()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)'''
#3 预估: 不加网格搜索与交叉验证的代码
estimator = RandomForestClassifier(n_estimators=120, max_depth=5)
# 训练
estimator.fit(x_train, y_train)
'''#3 预估: 加网格搜索与交叉验证的代码
estimator = RandomForestClassifier()
# 参数准备  n_estimators树的数量， max_depth树的最大深度
param_dict = {"n_estimators": [120,200,300,500,800,1200], "max_depth": [5,8,15,25,30]}
# 加入网格搜索与交叉验证, cv=3表示3次交叉验证
estimator = GridSearchCV(estimator, param_grid=param_dict, cv=3)
# 训练
estimator.fit(x_train, y_train)# 5）模型评估
# 方法1：直接比对真实值和预测值
y_predict = estimator.predict(x_test)
print("y_predict:\n", y_predict)
print("直接比对真实值和预测值:\n", y_test == y_predict)# 方法2：计算准确率
score = estimator.score(x_test, y_test)
print("准确率为：\n", score)'''
加网格搜索与交叉验证的代码
print("最佳参数：\n", estimator.best_params_)
print("最佳结果：\n", estimator.best_score_)
print("最佳估计器:\n", estimator.best_estimator_)
print("交叉验证结果:\n", estimator.cv_results_)
'''
#估计运行花1min