sklearn CART决策树分类

决策树是一种常用的机器学习方法，可以用于分类和回归。同时，决策树的训练结果非常容易理解，而且对于数据预处理的要求也不是很高。

理论部分

比较经典的决策树是ID3、C4.5和CART，分别分析信息增益、增益率、基尼指数，总体思想是不断降低信息的不确定性，最后达到分类的目的。

这里介绍的CART(Classification And Regression Tree)决策树选用基尼指数(Gini Index)来依次选择划分属性

\[Gini(D)=\sum_{k=1}^{n} \sum_{k_1\not=k_2}p_{k_1}p_{k_2}=1-\sum_{j=1}^{n}p_j^2
\]

数据集的基尼指数越大，表示该数据集的信息量越大，可能性越多，越混乱；基尼指数越小，表示数据集越纯净。

属性a的基尼指数定义为

\[Gini\_index(D,a)=\sum_{v=1}^V\frac{|D^v|}{D}Gini(D^v)
\]

表示确定属性$a$等于某个$v$后，数据集基尼指数的加权平均。

每一轮求出各个属性的基尼指数，然后每次取最大属性的进行划分，这样总体信息的不确定性就会降低得最快。

决策树生成前后，为了防止过拟合，还要使用剪枝(pruning)操作，这里不再展开。

sklearn代码实现

#coding=utf-8

import pandas as pd

import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split

from sklearn import datasets

from sklearn import tree

import numpy as np

from sklearn.externals.six import StringIO

import pydot

def main():

    iris = datasets.load_iris() #典型分类数据模型

    #这里我们数据统一用pandas处理

    data = pd.DataFrame(iris.data, columns=iris.feature_names)

    data['class'] = iris.target

    #这里只取两类

    data = data[data['class']!=2]

    #为了可视化方便，这里取两个属性为例

    X = data[['sepal length (cm)','sepal width (cm)']]

    Y = data[['class']]

    #划分数据集

    X_train, X_test, Y_train, Y_test =train_test_split(X, Y)

    #创建决策树模型对象，默认为CART

    dt = tree.DecisionTreeClassifier()

    dt.fit(X_train, Y_train)

    #显示训练结果

    print dt.score(X_test, Y_test) #score是指分类的正确率

    #作图

    h = 0.02

    x_min, x_max = X.iloc[:, 0].min() - 1, X.iloc[:, 0].max() + 1

    y_min, y_max = X.iloc[:, 1].min() - 1, X.iloc[:, 1].max() + 1

    xx, yy = np.meshgrid(np.arange(x_min, x_max, h),

                         np.arange(y_min, y_max, h))

    Z = dt.predict(np.c_[xx.ravel(), yy.ravel()])

    Z = Z.reshape(xx.shape)

    plt.contourf(xx, yy, Z, cmap=plt.cm.Paired)

    #做出原来的散点图

    class1_x = X.loc[Y['class']==0,'sepal length (cm)']

    class1_y = X.loc[Y['class']==0,'sepal width (cm)']

    l1 = plt.scatter(class1_x,class1_y,color='b',label=iris.target_names[0])

    class1_x = X.loc[Y['class']==1,'sepal length (cm)']

    class1_y = X.loc[Y['class']==1,'sepal width (cm)']

    l2 = plt.scatter(class1_x,class1_y,color='r',label=iris.target_names[1])

    plt.legend(handles = [l1, l2], loc = 'best')

    plt.grid(True)

    plt.show()

    #导出决策树的图片，需要配置graphviz，并且添加到环境变量

    dot_data = StringIO()

    tree.export_graphviz(dt, out_file=dot_data,feature_names=X.columns,

                         class_names=['healthy','infected'],

                         filled=True, rounded=True,

                         special_characters=True)

    graph = pydot.graph_from_dot_data(dot_data.getvalue())[0]

    graph.write_png("Iris.png")

if __name__ == '__main__':

    main()

测试结果

0.92

matlibplot显示

Iris.png