快捷導(dǎo)航

Python機(jī)器學(xué)習(xí)應(yīng)用之基于決策樹(shù)算法的分類(lèi)預(yù)測(cè)篇

更新時(shí)間：2022年01月18日 17:10:16 作者：柚子味的羊

所謂決策樹(shù)，就是一個(gè)類(lèi)似于流程圖的樹(shù)形結(jié)構(gòu)，樹(shù)內(nèi)部的每一個(gè)節(jié)點(diǎn)代表的是對(duì)一個(gè)特征的測(cè)試，樹(shù)的分支代表該特征的每一個(gè)測(cè)試結(jié)果，而樹(shù)的每一個(gè)葉子節(jié)點(diǎn)代表一個(gè)類(lèi)別。樹(shù)的最高層是就是根節(jié)點(diǎn)

一、決策樹(shù)的特點(diǎn)

1.優(yōu)點(diǎn)

具有很好的解釋性，模型可以生成可以理解的規(guī)則。
可以發(fā)現(xiàn)特征的重要程度。
模型的計(jì)算復(fù)雜度較低。

2.缺點(diǎn)

模型容易過(guò)擬合，需要采用減枝技術(shù)處理。
不能很好利用連續(xù)型特征。
預(yù)測(cè)能力有限，無(wú)法達(dá)到其他強(qiáng)監(jiān)督模型效果。
方差較高，數(shù)據(jù)分布的輕微改變很容易造成樹(shù)結(jié)構(gòu)完全不同。

二、決策樹(shù)的適用場(chǎng)景

決策樹(shù)模型多用于處理自變量與因變量是非線(xiàn)性的關(guān)系。
梯度提升樹(shù)（GBDT），XGBoost以及LightGBM等先進(jìn)的集成模型均采用決策樹(shù)作為基模型。（多粒度聯(lián)森林模型）
決策樹(shù)在一些明確需要可解釋性或者提取分類(lèi)規(guī)則的場(chǎng)景中被廣泛應(yīng)用。在醫(yī)療輔助系統(tǒng)中為了方便專(zhuān)業(yè)人員發(fā)現(xiàn)錯(cuò)誤，常常將決策樹(shù)算法用于輔助病癥檢測(cè)。

三、demo

#%%demo
##  基礎(chǔ)函數(shù)庫(kù)導(dǎo)入
import numpy as np 

## 導(dǎo)入畫(huà)圖庫(kù)
import matplotlib.pyplot as plt
import seaborn as sns

## 導(dǎo)入決策樹(shù)模型函數(shù)
from sklearn.tree import DecisionTreeClassifier
from sklearn import tree
import pydotplus 
from IPython.display import Image
##Demo演示DecisionTree分類(lèi)
## 構(gòu)造數(shù)據(jù)集
x_fearures = np.array([[-1, -2], [-2, -1], [-3, -2], [1, 3], [2, 1], [3, 2]])
y_label = np.array([0, 1, 0, 1, 0, 1])
## 調(diào)用決策樹(shù)回歸模型
tree_clf = DecisionTreeClassifier()
## 調(diào)用決策樹(shù)模型擬合構(gòu)造的數(shù)據(jù)集
tree_clf = tree_clf.fit(x_fearures, y_label)
## 可視化構(gòu)造的數(shù)據(jù)樣本點(diǎn)
plt.figure()
plt.scatter(x_fearures[:,0],x_fearures[:,1], c=y_label, s=50, cmap='viridis')
plt.title('Dataset')
plt.show()
## 可視化決策樹(shù)
import graphviz
dot_data = tree.export_graphviz(tree_clf, out_file=None)
graph = pydotplus.graph_from_dot_data(dot_data)
graph.write_pdf("D:\Python\ML\DecisionTree.pdf") 
# 模型預(yù)測(cè)
## 創(chuàng)建新樣本
x_fearures_new1 = np.array([[0, -1]])
x_fearures_new2 = np.array([[2, 1]])

## 在訓(xùn)練集和測(cè)試集上分布利用訓(xùn)練好的模型進(jìn)行預(yù)測(cè)
y_label_new1_predict = tree_clf.predict(x_fearures_new1)
y_label_new2_predict = tree_clf.predict(x_fearures_new2)

print('The New point 1 predict class:\n',y_label_new1_predict)
print('The New point 2 predict class:\n',y_label_new2_predict)

運(yùn)行結(jié)果

訓(xùn)練集決策樹(shù)

明天繼續(xù)，還有一個(gè)決策樹(shù)在真實(shí)數(shù)據(jù)集上的應(yīng)用，明天出。先搞課題~

到此這篇關(guān)于Python機(jī)器學(xué)習(xí)應(yīng)用之基于決策樹(shù)算法的分類(lèi)預(yù)測(cè)篇的文章就介紹到這了,更多相關(guān)Python 決策樹(shù)算法內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: