【Python資料探勘課程】四.決策樹DTC資料分析及鳶尾資料集分析
一. 分類及決策樹介紹
1.分類
分類其實是從特定的資料中挖掘模式,作出判斷的過程。比如Gmail郵箱裡有垃圾郵件分類器,一開始的時候可能什麼都不過濾,在日常使用過程中,我人工對於每一封郵件點選“垃圾”或“不是垃圾”,過一段時間,Gmail就體現出一定的智慧,能夠自動過濾掉一些垃圾郵件了。
這是因為在點選的過程中,其實是給每一條郵件打了一個“標籤”,這個標籤只有兩個值,要麼是“垃圾”,要麼“不是垃圾”,Gmail就會不斷研究哪些特點的郵件是垃圾,哪些特點的不是垃圾,形成一些判別的模式,這樣當一封信的郵件到來,就可以自動把郵件分到“垃圾”和“不是垃圾”這兩個我們人工設定的分類的其中一個。
分類學習主要過程如下:
(1)訓練資料集存在一個類標記號,判斷它是正向資料集(起積極作用,不垃圾郵件),還是負向資料集(起抑制作用,垃圾郵件);
(2)然後需要對資料集進行學習訓練,並構建一個訓練的模型;
(3)通過該模型對預測資料集進預測,並計算其結果的效能。
2.決策樹(decision tree)
決策樹是用於分類和預測的主要技術之一,決策樹學習是以例項為基礎的歸納學習演算法,它著眼於從一組無次序、無規則的例項中推理出以決策樹表示的分類規則。構造決策樹的目的是找出屬性和類別間的關係,用它來預測將來未知類別的記錄的類別。它採用自頂向下的遞迴方式,在決策樹的內部節點進行屬性的比較,並根據不同屬性值判斷從該節點向下的分支,在決策樹的葉節點得到結論。
決策樹演算法根據資料的屬性採用樹狀結構建立決策模型, 決策樹模型常用來解決分類和迴歸問題。常見的演算法包括:分類及迴歸樹(Classification And Regression Tree, CART), ID3 (Iterative Dichotomiser 3), C4.5, Chi-squared Automatic Interaction Detection(CHAID), Decision Stump, 隨機森林(Random Forest), 多元自適應迴歸樣條(MARS)以及梯度推進機(Gradient Boosting Machine, GBM)。
決策數有兩大優點:1)決策樹模型可以讀性好,具有描述性,有助於人工分析;2)效率高,決策樹只需要一次構建,反覆使用,每一次預測的最大計算次數不超過決策樹的深度。
示例1:
下面舉兩個例子,參考下面文章,強烈推薦大家閱讀,尤其是決策樹原理。
演算法雜貨鋪——分類演算法之決策樹(Decision tree) - leoo2sk
這個也是我上課講述的例子,引用上面文章的。通俗來說,決策樹分類的思想類似於找物件。現想象一個女孩的母親要給這個女孩介紹男朋友,於是有了下面的對話:
女兒:多大年紀了?
母親:26。
女兒:長的帥不帥?
母親:挺帥的。
女兒:收入高不?
母親:不算很高,中等情況。
女兒:是公務員不?
母親:是,在稅務局上班呢。
女兒:那好,我去見見。
這個女孩的決策過程就是典型的分類樹決策。相當於通過年齡、長相、收入和是否公務員對將男人分為兩個類別:見和不見。假設這個女孩對男人的要求是:30歲以下、長相中等以上並且是高收入者或中等以上收入的公務員,那麼這個可以用下圖表示女孩的決策邏輯。
示例2:
另一個課堂上的例子,參考CSDN的大神lsldd的文章,推薦大家閱讀學習資訊熵。
用Python開始機器學習(2:決策樹分類演算法)
假設要構建這麼一個自動選好蘋果的決策樹,簡單起見,我只讓他學習下面這4個樣本:
樣本 紅 大 好蘋果
0 1 1 1
1 1 0 1
2 0 1 0
3 0 0 0
樣本中有2個屬性,A0表示是否紅蘋果。A1表示是否大蘋果。本例僅2個屬性。那麼很自然一共就只可能有2棵決策樹,如下圖所示:
決策樹構建的基本步驟如下:
1. 開始,所有記錄看作一個節點;
2. 遍歷每個變數的每一種分割方式,找到最好的分割點;
3. 分割成兩個節點N1和N2;
4. 對N1和N2分別繼續執行2-3步,直到每個節點足夠“純”為止。
二. 鳶尾花卉Iris資料集
在Sklearn機器學習包中,集成了各種各樣的資料集,上節課講述Kmeans使用的是一個NBA籃球運動員資料集,需要定義X多維矩陣或讀取檔案匯入,而這節課使用的是鳶尾花卉Iris資料集,它是很常用的一個數據集。
資料集來源:Iris plants data set - KEEL dataset
該資料集一共包含4個特徵變數,1個類別變數。共有150個樣本,鳶尾有三個亞屬,分別是山鳶尾 (Iris-setosa),變色鳶尾(Iris-versicolor)和維吉尼亞鳶尾(Iris-virginica)。
iris是鳶尾植物,這裡儲存了其萼片和花瓣的長寬,共4個屬性,鳶尾植物分三類。
iris裡有兩個屬性iris.data,iris.target。
data裡是一個矩陣,每一列代表了萼片或花瓣的長寬,一共4列,每一列代表某個被測量的鳶尾植物,一共取樣了150條記錄。程式碼如下:
#匯入資料集iris
from sklearn.datasets import load_iris
#載入資料集
iris = load_iris()
#輸出資料集
print iris.data
輸出如下所示:[[ 5.1 3.5 1.4 0.2]
[ 4.9 3. 1.4 0.2]
[ 4.7 3.2 1.3 0.2]
[ 4.6 3.1 1.5 0.2]
[ 5. 3.6 1.4 0.2]
[ 5.4 3.9 1.7 0.4]
[ 4.6 3.4 1.4 0.3]
[ 5. 3.4 1.5 0.2]
[ 4.4 2.9 1.4 0.2]
....
[ 6.7 3. 5.2 2.3]
[ 6.3 2.5 5. 1.9]
[ 6.5 3. 5.2 2. ]
[ 6.2 3.4 5.4 2.3]
[ 5.9 3. 5.1 1.8]]
target是一個數組,儲存了data中每條記錄屬於哪一類鳶尾植物,所以陣列的長度是150,陣列元素的值因為共有3類鳶尾植物,所以不同值只有3個。種類:Iris Setosa(山鳶尾)
Iris Versicolour(雜色鳶尾)
Iris Virginica(維吉尼亞鳶尾)
#輸出真實標籤
print iris.target
print len(iris.target)
#150個樣本 每個樣本4個特徵
print iris.data.shape
輸出結果如下:[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
2 2]
150
(150L, 4L)
可以看到,類標共分為三類,前面50個類標位0,中間50個類標位1,後面為2。下面給詳細介紹使用決策樹進行對這個資料集進行測試的程式碼。
三. 決策樹實現鳶尾資料集分析
1. DecisionTreeClassifier
Sklearn機器學習包中,決策樹實現類是DecisionTreeClassifier,能夠執行資料集的多類分類。
輸入引數為兩個陣列X[n_samples,n_features]和y[n_samples],X為訓練資料,y為訓練資料的標記資料。
DecisionTreeClassifier構造方法為:
sklearn.tree.DecisionTreeClassifier(criterion='gini'
, splitter='best'
, max_depth=None
, min_samples_split=2
, min_samples_leaf=1
, max_features=None
, random_state=None
, min_density=None
, compute_importances=None
, max_leaf_nodes=None)
鳶尾花資料集使用決策樹的程式碼如下:# -*- coding: utf-8 -*-
"""
Created on Fri Oct 14 21:44:19 2016
@author: 楊秀璋
"""
#匯入資料集iris
from sklearn.datasets import load_iris
#載入資料集
iris = load_iris()
print iris.data #輸出資料集
print iris.target #輸出真實標籤
print len(iris.target)
print iris.data.shape #150個樣本 每個樣本4個特徵
#匯入決策樹DTC包
from sklearn.tree import DecisionTreeClassifier
#訓練
clf = DecisionTreeClassifier()
clf.fit(iris.data, iris.target)
print clf
#預測
predicted = clf.predict(iris.data)
#獲取花卉兩列資料集
X = iris.data
L1 = [x[0] for x in X]
print L1
L2 = [x[1] for x in X]
print L2
#繪圖
import numpy as np
import matplotlib.pyplot as plt
plt.scatter(L1, L2, c=predicted, marker='x') #cmap=plt.cm.Paired
plt.title("DTC")
plt.show()
輸出結果如下所示,可以看到分位三類,分別代表資料集三種鳶尾植物。
2.程式碼優化
在課堂上我講過,這裡存在兩個問題:
1.前面鳶尾Iris資料集包括四個特徵(萼片長度、萼片寬度、花瓣長度、花瓣寬度),上面程式碼中"L1 = [x[0] for x in X]"我獲取了第一列和第二列資料集進行的繪圖,而真是資料集中可能存在多維特徵,那怎麼實現呢?
這裡涉及到一個降維操作,後面會詳細介紹。
2.第二個問題是,分類學習模型如下所示,它的預測是通過一組新的資料集。
而上面的程式碼"predicted = clf.predict(iris.data)"是對整個的資料集進行決策樹分析,而真是的分類分析,需要把一部分資料集作為訓練,一部分作為預測,這裡使用70%的訓練,30%的進行預測。程式碼如下:
#訓練集
train_data = np.concatenate((iris.data[0:40, :], iris.data[50:90, :], iris.data[100:140, :]), axis = 0)
#訓練集樣本類別
train_target = np.concatenate((iris.target[0:40], iris.target[50:90], iris.target[100:140]), axis = 0)
#測試集
test_data = np.concatenate((iris.data[40:50, :], iris.data[90:100, :], iris.data[140:150, :]), axis = 0)
#測試集樣本類別
test_target = np.concatenate((iris.target[40:50], iris.target[90:100], iris.target[140:150]), axis = 0)
優化後的完整程式碼如下所示,同時輸出準確率、召回率等。# -*- coding: utf-8 -*-
"""
Created on Fri Oct 14 21:44:19 2016
@author: 楊秀璋
"""
#匯入資料集iris
from sklearn.datasets import load_iris
#載入資料集
iris = load_iris()
'''
print iris.data #輸出資料集
print iris.target #輸出真實標籤
print len(iris.target)
print iris.data.shape #150個樣本 每個樣本4個特徵
'''
'''
重點:分割資料集 構造訓練集/測試集,120/30
70%訓練 0-40 50-90 100-140
30%預測 40-50 90-100 140-150
'''
#訓練集
train_data = np.concatenate((iris.data[0:40, :], iris.data[50:90, :], iris.data[100:140, :]), axis = 0)
#訓練集樣本類別
train_target = np.concatenate((iris.target[0:40], iris.target[50:90], iris.target[100:140]), axis = 0)
#測試集
test_data = np.concatenate((iris.data[40:50, :], iris.data[90:100, :], iris.data[140:150, :]), axis = 0)
#測試集樣本類別
test_target = np.concatenate((iris.target[40:50], iris.target[90:100], iris.target[140:150]), axis = 0)
#匯入決策樹DTC包
from sklearn.tree import DecisionTreeClassifier
#訓練
clf = DecisionTreeClassifier()
#注意均使用訓練資料集和樣本類標
clf.fit(train_data, train_target)
print clf
#預測結果
predict_target = clf.predict(test_data)
print predict_target
#預測結果與真實結果比對
print sum(predict_target == test_target)
#輸出準確率 召回率 F值
from sklearn import metrics
print(metrics.classification_report(test_target, predict_target))
print(metrics.confusion_matrix(test_target, predict_target))
#獲取花卉測試資料集兩列資料集
X = test_data
L1 = [n[0] for n in X]
print L1
L2 = [n[1] for n in X]
print L2
#繪圖
import numpy as np
import matplotlib.pyplot as plt
plt.scatter(L1, L2, c=predict_target, marker='x') #cmap=plt.cm.Paired
plt.title("DecisionTreeClassifier")
plt.show()
輸出結果如下:DecisionTreeClassifier(class_weight=None, criterion='gini', max_depth=None,
max_features=None, max_leaf_nodes=None, min_samples_leaf=1,
min_samples_split=2, min_weight_fraction_leaf=0.0,
presort=False, random_state=None, splitter='best')
[0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2]
30
precision recall f1-score support
0 1.00 1.00 1.00 10
1 1.00 1.00 1.00 10
2 1.00 1.00 1.00 10
avg / total 1.00 1.00 1.00 30
[[10 0 0]
[ 0 10 0]
[ 0 0 10]]
繪製圖形如下所示:3.補充知識
# -*- coding: utf-8 -*-
"""
Created on Wed Oct 12 23:30:34 2016
@author: yxz15
"""
print(__doc__)
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
# Parameters
n_classes = 3
plot_colors = "bry"
plot_step = 0.02
# Load data
iris = load_iris()
for pairidx, pair in enumerate([[0, 1], [0, 2], [0, 3],
[1, 2], [1, 3], [2, 3]]):
# We only take the two corresponding features
X = iris.data[:, pair]
y = iris.target
# Train
clf = DecisionTreeClassifier().fit(X, y)
# Plot the decision boundary
plt.subplot(2, 3, pairidx + 1)
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, plot_step),
np.arange(y_min, y_max, plot_step))
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
cs = plt.contourf(xx, yy, Z, cmap=plt.cm.Paired)
plt.xlabel(iris.feature_names[pair[0]])
plt.ylabel(iris.feature_names[pair[1]])
plt.axis("tight")
# Plot the training points
for i, color in zip(range(n_classes), plot_colors):
idx = np.where(y == i)
plt.scatter(X[idx, 0], X[idx, 1], c=color, label=iris.target_names[i],
cmap=plt.cm.Paired)
plt.axis("tight")
plt.suptitle("Decision surface of a decision tree using paired features")
plt.legend()
plt.show()
輸出如下所示:繪製視覺化決策樹圖部分,總是報錯:
AttributeError: 'NoneType' object has no attribute 'write'
'''
生成視覺化訓練好的決策樹
詳見:http://scikit-learn.org/stable/modules/tree.html
'''
from sklearn.externals.six import StringIO
from sklearn.tree import export_graphviz
with open("iris.dot", 'w') as f:
f = export_graphviz(clf, out_file=f)
import pydotplus
from sklearn import tree
dot_data = tree.export_graphviz(clf, out_file=None)
graph = pydotplus.graph_from_dot_data(dot_data)
graph.write_pdf("iris.pdf")
from IPython.display import Image
from sklearn import tree
import pydotplus
dot_data = tree.export_graphviz(clf, out_file="tree.dot",
feature_names=iris.feature_names,
class_names=iris.target_names,
filled=True, rounded=True,
special_characters=True)
graph = pydotplus.graph_from_dot_data(dot_data)
Image(graph.create_png())
其中iris.dot資料如下所示:
digraph Tree {
node [shape=box] ;
0 [label="X[2] <= 2.6\ngini = 0.6667\nsamples = 120\nvalue = [40, 40, 40]"] ;
1 [label="gini = 0.0\nsamples = 40\nvalue = [40, 0, 0]"] ;
0 -> 1 [labeldistance=2.5, labelangle=45, headlabel="True"] ;
2 [label="X[3] <= 1.75\ngini = 0.5\nsamples = 80\nvalue = [0, 40, 40]"] ;
0 -> 2 [labeldistance=2.5, labelangle=-45, headlabel="False"] ;
3 [label="X[2] <= 4.95\ngini = 0.2014\nsamples = 44\nvalue = [0, 39, 5]"] ;
2 -> 3 ;
4 [label="X[3] <= 1.65\ngini = 0.0512\nsamples = 38\nvalue = [0, 37, 1]"] ;
3 -> 4 ;
5 [label="gini = 0.0\nsamples = 37\nvalue = [0, 37, 0]"] ;
4 -> 5 ;
6 [label="gini = 0.0\nsamples = 1\nvalue = [0, 0, 1]"] ;
4 -> 6 ;
7 [label="X[3] <= 1.55\ngini = 0.4444\nsamples = 6\nvalue = [0, 2, 4]"] ;
3 -> 7 ;
8 [label="gini = 0.0\nsamples = 3\nvalue = [0, 0, 3]"] ;
7 -> 8 ;
9 [label="X[0] <= 6.95\ngini = 0.4444\nsamples = 3\nvalue = [0, 2, 1]"] ;
7 -> 9 ;
10 [label="gini = 0.0\nsamples = 2\nvalue = [0, 2, 0]"] ;
9 -> 10 ;
11 [label="gini = 0.0\nsamples = 1\nvalue = [0, 0, 1]"] ;
9 -> 11 ;
12 [label="X[2] <= 4.85\ngini = 0.054\nsamples = 36\nvalue = [0, 1, 35]"] ;
2 -> 12 ;
13 [label="X[1] <= 3.1\ngini = 0.4444\nsamples = 3\nvalue = [0, 1, 2]"] ;
12 -> 13 ;
14 [label="gini = 0.0\nsamples = 2\nvalue = [0, 0, 2]"] ;
13 -> 14 ;
15 [label="gini = 0.0\nsamples = 1\nvalue = [0, 1, 0]"] ;
13 -> 15 ;
16 [label="gini = 0.0\nsamples = 33\nvalue = [0, 0, 33]"] ;
12 -> 16 ;
}
想生成如下圖,希望後面能修改。也可以進入shell下輸入命令:
$ sudo apt-get install graphviz
$ dot -Tpng iris.dot -o tree.png # 生成png圖片
$ dot -Tpdf iris.dot -o tree.pdf # 生成pdf
最後文章對你有所幫助,上課內容還需要繼續探索,但enjoy myself~
(By:Eastmount 2016-10-15 中午1點半)