DecisionTree
决策树分类与回归模型，以及可视化
ID3
ID3决策树是最朴素的决策树分类器：
- 无剪枝
- 只支持离散属性
- 采用信息增益准则
在data.py中，我们记录了一个小的西瓜数据集，用于离散属性的二分类任务。我们可以像下面这样训练一个ID3决策树分类器：
from ID3 import ID3Classifier
from data import load_watermelon2
import numpy as np
X, y = load_watermelon2(return_X_y=True) # 函数参数仿照sklearn.datasets
model = ID3Classifier()
model.fit(X, y)
pred = model.predict(X)
print(np.mean(pred == y))
输出1.0，说明我们生成的决策树是正确的。
C4.5
C4.5决策树分类器对ID3进行了改进：
- 用信息增益率的启发式方法来选择划分特征；
- 能够处理离散型和连续型的属性类型，即将连续型的属性进行离散化处理；
- 剪枝；
- 能够处理具有缺失属性值的训练数据；
我们实现了前两点，以及第三点中的预剪枝功能（超参数）
在data.py中还有一个连续离散特征混合的西瓜数据集，我们用它来测试C4.5决策树的效果：
from C4_5 import C4_5Classifier
from data import load_watermelon3
import numpy as np
X, y = load_watermelon3(return_X_y=True) # 函数参数仿照sklearn.datasets
model = C4_5Classifier()
model.fit(X, y)
pred = model.predict(X)
print(np.mean(pred == y))
输出1.0，说明我们生成的决策树正确.
CART
分类
CART(Classification and Regression Tree)是C4.5决策树的扩展，支持分类和回归。CART分类树算法使用基尼系数选择特征，此外对于离散特征，CART决策树在每个节点二分划分，缓解了过拟合。
这里我们用sklearn中的鸢尾花数据集测试：
from CART import CARTClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
X, y = load_iris(return_X_y=True)
train_X, test_X, train_y, test_y = train_test_split(X, y, train_size=0.7)
model = CARTClassifier()
model.fit(train_X, train_y)
pred = model.predict(test_X)
print(accuracy_score(test_y, pred))
准确率95.55%。
回归
CARTRegressor类实现了决策树回归，以sklearn的波士顿数据集为例：
from CART import CARTRegressor
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
X, y = load_boston(return_X_y=True)
train_X, test_X, train_y, test_y = train_test_split(X, y, train_size=0.7)
model = CARTRegressor()
model.fit(train_X, train_y)
pred = model.predict(test_X)
print(mean_squared_error(test_y, pred))
输出26.352171052631576，sklearn决策树回归的Baseline是22.46，性能近似，说明我们的实现正确。
决策树绘制
分类树
利用python3的graphviz第三方库和Graphviz(需要安装)，我们可以将决策树可视化：
from plot import tree_plot
from CART import CARTClassifier
from sklearn.datasets import load_iris
X, y = load_iris(return_X_y=True)
model = CARTClassifier()
model.fit(X, y)
tree_plot(model)
运行，文件夹中生成tree.png：
如果提供了特征的名词和标签的名称，决策树会更明显：
from plot import tree_plot
from CART import CARTClassifier
from sklearn.datasets import load_iris
iris = load_iris()
model = CARTClassifier()
model.fit(iris.data, iris.target)
tree_plot(model,
filename="tree2",
feature_names=iris.feature_names,
target_names=iris.target_names)
绘制西瓜数据集2对应的ID3决策树：
from plot import tree_plot
from ID3 import ID3Classifier
from data import load_watermelon2
watermelon = load_watermelon2()
model = ID3Classifier()
model.fit(watermelon.data, watermelon.target)
tree_plot(
model,
filename="tree",
font="SimHei",
feature_names=watermelon.feature_names,
target_names=watermelon.target_names,
)
这里要自定义字体，否则无法显示中文：
回归树
用同样的方法，我们可以进行回归树的绘制：
from plot import tree_plot
from ID3 import ID3Classifier
from sklearn.datasets import load_boston
boston = load_boston()
model = ID3Classifier(max_depth=5)
model.fit(boston.data, boston.target)
tree_plot(
model,
feature_names=boston.feature_names,
)
由于生成的回归树很大，我们限制最大深度再绘制：
调参
CART和C4.5都是有超参数的，我们让它们作为sklearn.base.BaseEstimator的派生类，借助sklearn的GridSearchCV，就可以实现调参：
from plot import tree_plot
from CART import CARTClassifier
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split, GridSearchCV
wine = load_wine()
train_X, test_X, train_y, test_y = train_test_split(
wine.data,
wine.target,
train_size=0.7,
)
model = CARTClassifier()
grid_param = {
'max_depth': [2, 4, 6, 8, 10],
'min_samples_leaf': [1, 3, 5, 7],
}
search = GridSearchCV(model, grid_param, n_jobs=4, verbose=5)
search.fit(train_X, train_y)
best_model = search.best_estimator_
print(search.best_params_, search.best_estimator_.score(test_X, test_y))
tree_plot(
best_model,
feature_names=wine.feature_names,
target_names=wine.target_names,
)
输出最优参数和最优模型在测试集上的表现：
{'max_depth': 4, 'min_samples_leaf': 3} 0.8518518518518519
绘制对应的决策树：
剪枝
在ID3和CART回归中加入了REP剪枝，C4.5则支持了PEP剪枝。
对IRIS数据集训练后的决策树进行PEP剪枝：
iris = load_iris()
model = C4_5Classifier()
X, y = iris.data, iris.target
train_X, test_X, train_y, test_y = train_test_split(X, y, train_size=0.7)
model.fit(train_X, train_y)
print(model.score(test_X, test_y))
tree_plot(model,
filename="src/pre_prune",
feature_names=iris.feature_names,
target_names=iris.target_names)
model.pep_pruning()
print(model.score(test_X, test_y))
tree_plot(model,
filename="src/post_prune",
feature_names=iris.feature_names,
target_names=iris.target_names,
)
剪枝前后的准确率分别为97.78%，100%，即泛化性能的提升：
43.4k Jan 04, 2023
2 Jan 01, 2022
221 Nov 04, 2022
106 Dec 13, 2022
17 Oct 28, 2022
67 Dec 28, 2022
3 Feb 15, 2022
23.6k Jan 03, 2023
364 Jan 04, 2023
3 Nov 20, 2021
1.4k Jan 06, 2023
171 Dec 19, 2022
720 Dec 25, 2022
620 Dec 27, 2022
1.4k Jan 05, 2023
847 Dec 19, 2022
1.3k Dec 28, 2022
37 Oct 24, 2022
15 Sep 09, 2022
419 Jan 01, 2023