决策树算法

本文主要是介绍决策树算法，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

决策树算法是一种通用的机器学习算法，既可以执行分类也可以执行回归任务，同时也是一种可以拟合复杂数据集的功能强大的算法；

一、可视化决策树模型

通过以下代码，我们使用iris数据集构建一个决策树模型，我们使用数据的后两个维度并设置决策树的最大深度为2，最后通过export出iris_tree.dot文件；

DecisionTreeClassifier初始化中的random_state可以确保每次执行结果的不变性；

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn.tree import export_graphviz

iris = load_iris()
x = iris.data[:,2:]
y = iris.target

tree_clf = DecisionTreeClassifier(max_depth=2, random_state=12)
tree_clf.fit(x, y)
r = export_graphviz(tree_clf,
                out_file='iris_tree.dot',
                feature_names= iris.feature_names[2:],
                class_names= iris.target_names,
                rounded=True,
                filled=True
                )

然后通过命令行使用Graphviz软件包中的dot命令行工具将生成的iris_tree.dot文件转换为图片文件

dot -Tpng iris_tree.dot -o iris_tree1.png

我们可以看到基于iris数据集生成的决策树结构如下图所示

二、决策树节点结构分析

通过生成的决策树结构图片，可以看到非叶子节点都会有一个判断条件，通过这个判断条件来决定转移到的子节点；

每个节点的samples记录了该节点训练使用的样本数量；例如根节点输入的训练样本有150个，最终符合判断条件的50个样本流入了左侧的叶子节点，不符合根节点判断条件的100个样本流入右侧的节点；

每个节点的value记录了该节点参与训练的样本中每个类别的数量，例如其实输入的150个样本中每个分类都是50个；

每个节点的class记录了该节点样本所属的类别；

每个节点的gini记录了该节点的基尼不纯度，其计算公式如下，其中pi,k代表第i个节点中每个分类所占的比例；

\[G_{i} = 1 - \sum_{k=1}^{n} p_{i,k}^{2} \]

例如最后左下层的节点的基尼不纯度为

\[G = 1 -(0/54)^{2} - (49/54)^{2} - (5/54)^{2} = 0.168 \]

处理使用基尼不纯度进行测量之外，也可以使用信息熵来度量节点样本的有序性，由于两者比较类似不进行详细介绍；

我们可以通过两个属性petal length、petal width的二维平面更加清晰看到决策树的决策边界；在petal length = 2.75地方，将整个二维平面分成左右两个区域，左侧区域已经是纯粹的class = setosa，右侧区域通过petal width = 1.75分成上下两部分；由于我们设置max_depth=2，则决策树到此为止；

三、决策树预测过程

通过生成的决策树的结构图，当我们接收到一朵新的iris花朵要进行预测的时候，只需要按照树的结构从上到下依次进行判断即可；对于我们先前生成的决策树，首先会从决策树的根节点开始，查看新记录的petal lenght是否小于等于2.45，如果小于则转移到左侧的节点，从而可以确认花朵的类型为setosa；如果petal length的长度大于2.45，则移动到右侧节点，接着判断petal width是否小于等于1.75，如果小于则转移到当前节点的左子节点，此时新记录的类型为versicolor，否则新记录的类型是virginica类型；

通过二中对决策树节点结构的分析，虽然每个叶子节点只对应某一个分类，但是最终的value却可能有不同的分类，即叶子节点不可能都是纯的；所以决策树除了直接输出输入样本对应的分类之外，也可以估算输入样本属于特定分类的概率；

我们输入样本[5,1],通过决策树的二维决策边界平面图，可以看到样本落右下角的区域，通过生成的决策树结构的图片可以看到，其位于depth=1的左下角的节点，其value=[0, 49, 5]、samples=54,所以可以得到预测分类的概率为49/54=0.97,与以下计算输出是相同的；

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn.tree import export_graphviz

iris = load_iris()
x = iris.data[:,2:]
y = iris.target

tree_clf = DecisionTreeClassifier(max_depth=2, random_state=12)
tree_clf.fit(x, y)
r = export_graphviz(tree_clf,
                out_file='iris_tree.dot',
                feature_names= iris.feature_names[2:],
                class_names= iris.target_names,
                rounded=True,
                filled=True
                )

print(tree_clf.predict_proba([[5, 1]]))
print(tree_clf.predict([[5, 1]]))


# [[0.         0.90740741 0.09259259]]
# [1]

四、决策树决策特征和条件的选择

Scikit-Learn使用CART(分类和回归树，Classfication and Regression Tree)算法训练决策树，此算法基于基尼不纯度来衡量决策系统的纯度；决策树从本质上来说，就是要通过不同决策节点的分拣，尽最大的可能减少系统的不纯程度，或者说尽快的最大程度的增加决策时通的纯度；

对于某个特征k及其阈值tk，基于其分裂的两个子节点，分别计算基尼不纯度并进行线性加和，并最小化这个相对子节点的基尼不纯度；

\[G^{'}(k,t_{k}) = \frac{m_{left}}{m} G_{left} + \frac{m_{right}}{m} G_{right} \]

一旦CART算法成功地将训练集分为两部分，它就会使用相同的逻辑将子集进行分割，然后再分割子集，以此类推。一旦达到最大深度（由超参数max_depth定义），或者找不到可减少不纯度的分割，它将停止递归。其他一些超参数（稍后描述）可以控制其他一些停止条件（min_samples_split、min_samples_leaf、min_weight_fraction_leaf和max_leaf_nodes）。

五、决策树计算复杂度

对新样本进行预测需要从根节点开始遍历决策树，由于每个节点仅仅需要检测节点对应的一个特征值，只跟决策时的层数有关，而与样本的维度数量没有关系，故时间复杂度为,其中m为训练样本的数量

\[O(log_{2}(m)) \]

训练算法需要比较每个节点上所有样本上的所有特征（如果设置了max_features，则更少）。比较每个节点上所有样本的所有特征会导致训练复杂度为O（n×m log2（m））。对于小训练集（少于几千个实例），Scikit-Learn可以通过对数据进行预排序（设置presort=True）来加快训练速度，但是这样做会大大降低大训练集的训练速度。

六、避免决策树过拟合

决策树基本上对训练数据没有任何的预先假设（比如线性模型就正好相反，它显然假设数据是线性的）。如果不加以限制，树的结构将跟随训练集变化，严密拟合，并且很可能过拟合；为避免过拟合，需要在训练过程中降低决策树的自由度；DecisionTreeClassifier类除了max_depth参数外，同样可以通过min_samples_split（分裂前节点必须有的最小样本数）、min_samples_leaf（叶节点必须有的最小样本数量）、min_weight_fraction_leaf（与min_samples_leaf一样，但表现为加权实例总数的占比）、max_leaf_nodes（最大叶节点数量），以及max_features（分裂每个节点评估的最大特征数量)来限制决策树的形状；

这篇关于决策树算法的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！