Kaggle知识点：sklearn决策树

决策树是一种用于分类和回归的监督学习方法。决策树目标是创建一个模型，通过学习从数据特征推断出的简单决策规则来预测目标变量的值。

决策树优缺点

决策树的一些优点是：

• 易于理解和解释。树可以被可视化。
• 需要很少的训练数据
• 能处理数值和类别数据
• 能够处理多输出问题

决策树的一些缺点是：

• 深度太深，很容易过拟合
• 决策树可能不稳定
• 决策树的预测结果不是连续的
• 决策树节点分裂过程是贪心的

sklearn 决策树API

DecisionTreeClassifier

https://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.htm

二分类或多分类、多标签分类

from sklearn.datasets import load_iris
from sklearn.model_selection import cross_val_score
from sklearn.tree import DecisionTreeClassifier
clf = DecisionTreeClassifier(random_state=0)
iris = load_iris()
cross_val_score(clf, iris.data, iris.target, cv=10)

DecisionTreeRegressor

https://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeRegressor.html

回归、多标签回归

from sklearn.datasets import load_diabetes
from sklearn.model_selection import cross_val_score
from sklearn.tree import DecisionTreeRegressor
X, y = load_diabetes(return_X_y=True)
regressor = DecisionTreeRegressor(random_state=0)
cross_val_score(regressor, X, y, cv=10)

sklearn 底层树结构

树结构

决策分类器有一个名为的属性tree_
，它允许访问低级属性，例如node_count
(节点总数)，和max_depth
(树的最大深度)，它还存储整个二叉树结构，表示为多个并行数组。

• children_left[i]
  : 节点的左子节点的 id i
  ，如果是叶节点则为 -1
• children_right[i]
  : 节点右子节点的id i
  ，如果是叶节点则为-1
• feature[i]
  : 用于分裂节点的特征i
  
• threshold[i]
  ：节点的阈值i
  
• n_node_samples[i]
  ：到达节点的训练样本数 i
  
• impurity[i]
  ：节点处的杂质i
  

iris = load_iris()
X = iris.data
y = iris.target
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)

clf = DecisionTreeClassifier(max_leaf_nodes=3, random_state=0)
clf.fit(X_train, y_train)

n_nodes = clf.tree_.node_count
children_left = clf.tree_.children_left
children_right = clf.tree_.children_right
feature = clf.tree_.feature
threshold = clf.tree_.threshold

决策路径

decision_path
方法输出一个指示矩阵，允许检索感兴趣的样本遍历的节点。位置处的指示矩阵中的非零元素表示样本经过节点。

apply
方法返回样本所达到的叶id，得到样本所达到的叶子节点 ID 的数组，这可以用对样本进行编码，也可以用于特征工程。

iris = load_iris()
X = iris.data
y = iris.target
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)

clf = DecisionTreeClassifier(max_leaf_nodes=3, random_state=0)
clf.fit(X_train, y_train)

node_indicator = clf.decision_path(X_test)
leaf_id = clf.apply(X_test)

参考资料

• https://scikit-learn.org/stable/modules/tree.html
• https://scikit-learn.org/stable/auto_examples/tree/plot_unveil_tree_structure.html
• https://scikit-learn.org/stable/auto_examples/tree/