构建一个简单的决策树
- 先导入库
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sb
from PIL import Image
- 读取数据
# 数据读取
iris_data = pd.read_csv('iris.csv')
print(iris_data.head())
print(iris_data.describe()) # 查看统计指标
运行结果为：
- 画图操作
# 显示鸢尾花图片
img = Image.open('test.jpeg')
plt.imshow(img)
plt.show()
sb.pairplot(iris_data.dropna(), hue='Species') # 查看两两特征之间的关系
plt.show()
plt.figure(figsize=(10,10))
for columns_index, column in enumerate(iris_data.columns):
if column == 'Species':
continue
plt.subplot(2, 2, columns_index + 1) # 定义子图
sb.violinplot(x='Species', y=column, data=iris_data)
plt.show()
运行结果为：
- 构建决策树
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
# 定义输入和类型
all_inputs = iris_data['Sepal.Length', 'Sepal.Width', 'Petal.Length', 'Petal.Width'].values
all_classes = iris_data['Species'].values
# 交叉验证
(training_inputs, testing_inputs,
training_classes, testing_classes) = train_test_split(all_inputs, all_classes,
train_size=0.75, random_state=1)
''' 参数设置 '''
# 1.criterion gini or entropy
# 评判标准：基尼系数或者熵
# 2.splitter best or random
# 在特征中找最好的切分点或者随机选取
# 3.max_features
# None(all), log2, sqrt, N 特征小于50时一般去所有
# 4.min_depth
# 数据少或者特征少时可以不管这个值，如果模型样本多，可以适当限制这个值
# 5.min_samples_split
# 如果某节点的样本数少于 min_samples_split，则不会继续再尝试选择最优特征来进行划分
# 如果样本不大，不需要管这个值。如果样本数量级非常大，建议增大这个值
# 6.min_samples_leaf
# 这个值限制了特兹节点最少的样本数，如果某叶子节点数目小于样本数，则会和兄弟节点一起呗剪枝
# 如果样本量不大，不需要管这个值，大些如10万可以尝试下5
# 7.min_weight_fraction_leaf
# 这个值限制了叶子节点所有样本权重和最小值，如果小于这个值，则会和兄弟节点一起被剪枝默认为0，就是不考虑权重问题
# 一般来说，如果我们有较多样本有缺失值，或者分类树样本的分布类别偏差很大，就会引入样本权重，这是要注意这个值
# 8.max_leaf_nodes
# 通过限制最大叶子节点数，可以防止过拟合，默认是'None'，即不限制最大的叶子节点数
# 如果加了限制，算法会简历在最大叶子节点数内最优的决策树
# 如果特征不多，可以不考虑这个值，但是如果特征成分多的话，可以加限制
# 具体的值可以通过交叉验证得到
# 9.class_weight
# 指定样本各类别的权重，主要是为了防止训练集某些类别的样本过多，导致尊练的决策树过于偏向这些类别
# 这里可以自己指定各个样本的权重，如果使用'balanced'，则算法会自己计算权重，样本最少的类别所对应的样本权重会高
# min_inpurity_split
# 这个值限制了决策树的增长，如果某杰底单的不纯度（基尼系数，信息增益，均方差，绝对值）小于这个阈值
# 则节点不再生成子节点，即为叶子节点
# 建立决策树
decision_tree_classifier = DecisionTreeClassifier()
# 在训练集上训练分类器
decision_tree_classifier.fit(training_inputs, training_classes)
