大家有没有听说过 “三行代码行天下” 这句话

真的有这么强吗？

没错，你没有听错

python在数据处理建模这方面确实段位很高

那么，python中的最重要的装备之一就是“sklearn”

下面我们就来看看sklearn是如何来实现决策树中的分类树的

本文目录：

1 概述

      1.1 sklearn中的决策树

2 DecisionTreeClassififier与红酒数据集

      2.1 重要参数

            2.1.1 criterion

            2.1.2 random_state & splitter

            2.1.3 剪枝参数

           2.1.4 目标权重参数

     2.2 重要属性和接口

1 概述

决策树（Decision Tree）是一种非参数的有监督学习方法，它能够从一系列有特征和标签的数据中总结出决策规 则

并用树状图的结构来呈现这些规则，以解决分类和回归问题。决策树算法容易理解，适用各种数据，在解决各 种问题时都有良好表现

尤其是以树模型为核心的各种集成算法，在各个行业和领域都有广泛的应用。

如果对决策树原理还不了解的，请看作者博客文章《机器学习-万字长文介绍决策树之原理（一）》

1.1 sklearn中的决策树

在sklearn模块中决策树是sklearn.tree

sklearn中决策树的类都在”tree“这个模块之下。这个模块总共包含五个类：

​

 在开始敲代码之前，我们先看看sklearn建模的基本流程：

​

如果按照上图的流程，分类树的建模流程就是：

from sklearn import tree #导入需要的模块
clf = tree.DecisionTreeClassifier()     #实例化
clf = clf.fit(X_train,y_train) #用训练集数据训练模型
result = clf.score(X_test,y_test) #导入测试集，从接口中调用需要的信息

 是不是只用了三行呢？！

下面我们用一个具体的例子来讲解分类树

2 DecisionTreeClassififier与红酒数据集

我们先看看分类树的参数：

​

 是不是傻眼了？这么多，看到都脑阔疼。

没关系，接下来我们挑选其中重要的参数配合实际的例子来讲清楚。

2.1 重要参数

2.1.1 criterion

为了要将表格转化为一棵树，决策树需要找出最佳节点和最佳的分枝方法，对分类树来说，衡量这个“最佳”的指标 叫做“不纯度”。

通常来说，不纯度越低，决策树对训练集的拟合越好。现在使用的决策树算法在分枝方法上的核心 大多是围绕在对某个不纯度相关指标的最优化上。

不纯度基于节点来计算，树中的每个节点都会有一个不纯度，并且子节点的不纯度一定是低于父节点的，也就是 说，在同一棵决策树上，叶子节点的不纯度一定是最低的。

Criterion这个参数正是用来决定不纯度的计算方法的。sklearn提供了两种选择：

1）输入”entropy“，使用信息熵（Entropy）

2）输入”gini“，使用基尼系数（Gini Impurity）

​

其中t代表给定的节点，i代表标签的任意分类， 代表标签分类i在节点t上所占的比例。

注意，当使用信息熵 时，sklearn实际计算的是基于信息熵的信息增益(Information Gain)，即父节点的信息熵和子节点的信息熵之差。

比起基尼系数，信息熵对不纯度更加敏感，对不纯度的惩罚最强。

但是在实际使用中，信息熵和基尼系数的效果基 本相同。

信息熵的计算比基尼系数缓慢一些，因为基尼系数的计算不涉及对数。

另外，因为信息熵对不纯度更加敏感，所以信息熵作为指标时，决策树的生长会更加“精细”

因此对于高维数据或者噪音很多的数据，信息熵很容易 过拟合，基尼系数在这种情况下效果往往比较好。

当模型拟合程度不足的时候，即当模型在训练集和测试集上都表 现不太好的时候，使用信息熵。当然，这些不是绝对的。

​

到这里，决策树的基本流程其实可以简单概括如下：

​

下面我们真的要开始上代码了，一般大多数讲决策树的教程都会用鸢尾花(iris)数据集

但是用这个数据集不太好，原因是有一个参数不能够用这个数据集很清楚的介绍，下面我们会讲到

所以本文用的是红酒数据集

首先，要确保你的计算机上有机器学习的环境，如果没有，请看作者文章《机器学习-环境配置（windows版）》

然后我们打开cmd，输入指令：

jupyter lab

新建一个".ipynb"文件准备敲代码

第一步：导入所需要的包

from sklearn import tree
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split

第二步：查看数据

我们先来看看这个红酒数据集到底是什么样子的

wine = load_wine()
wine.data.shape

​

 解释一下：这是说这个数据集有178行，13列

wine.target

​

解释一下：这是说这个数据集中的标签有三种，0，1和2，也就是这些红酒被分成了三类。

import  pandas as pd
pd.concat([pd.DataFrame(wine.data),pd.DataFrame(wine.target)],axis=1)#第一个参数是将两个DataFrame合并，axis默认为0，是纵向合并，为1是横向合并

​

解释一下：这里是将红酒属性数据集和标签列进行了横向链接（也叫合并，学过数据库的都知道）

wine.feature_names

​

 解释一下：这是红酒的属性名字

wine.target_names

​

 解释一下：这是标签名字，也就是分类的名字

Xtrain,Xtest,Ytrain,Ytest=train_test_split(wine.data,wine.target,test_size=0.3)

解释一下：这里是说将数据集分为训练集和测试集，其中70%为训练集，30%为测试集。

Xtrain.shape

​

 解释一下：训练集有124个样本，13个属性

Xtest.shape

​

 解释一下：训练集有54个样本，13个属性

Ytrain

​

 这是说训练集的目标属性，有三种，为0，1，2

第三步：建立模型（三行代码行天下）

clf = tree.DecisionTreeClassifier(criterion="entropy")
clf = clf.fit(Xtrain,Ytrain)
score = clf.score(Xtest,Ytest)#返回预测的准确accuracy
score

​

 解释一下：模型得分0.9259，还算不错。

第四步：画出这棵树

feature_name = ['酒精','苹果酸','灰','灰的碱性','镁','总酚','类黄酮','非黄烷类酚类','花青素','颜 色强度','色调','od280/od315稀释葡萄酒','脯氨酸']
import graphviz 
dot_data = tree.export_graphviz(clf,out_file = None,feature_names= feature_name,class_names=["琴酒","雪莉","贝尔摩德"],filled=True,rounded=True) 
graph = graphviz.Source(dot_data)
graph

​

 解释一下：上图就是决策树选出的一些属性，利用这些属性建立的分类树。

那么我们能不能将每个属性的重要性打印出来呢？回答是可以的

#特征重要性
clf.feature_importances_
[*zip(feature_name,clf.feature_importances_)]

​

 是不是不够直观，是因为我们还是无法知道哪个属性对应的重要性的数值。

[*zip(feature_name,clf.feature_importances_)]

​

 是不是直观多了呢

到这里，你是不是一位我们的工作完成了呢？

当然没有，这只是开始呢，我们还有更重要的工作要做。

多次运行上述建模代码，你会发现score的值每次都不一样。

那么它为什么会不稳定呢？是不是对所有数据集都这样呢？

这是因为决策树模型的的计算步骤中，

不纯度是基于节点来计算的，也就是说，决策树在建树时，是靠优化节点来追求一棵优化的树

但最优 的节点能够保证最优的树吗？

这是个问题，但是集成算法解决了这个问题

sklearn表示，既然一棵树不能保证最优，那就建更 多的不同的树，然后从中取最好的。

怎样从一组数据集中建不同的树？

在每次分枝时，不从使用全部特征，而是随 机选取一部分特征，从中选取不纯度相关指标最优的作为分枝用的节点。

这样，每次生成的树也就不同了。

2.1.2 random_state & splitter

clf = tree.DecisionTreeClassifier(criterion="entropy",random_state=30)
clf = clf.fit(Xtrain, Ytrain)
score = clf.score(Xtest, Ytest) #返回预测的准确度
score

​

解释一下：这里的score会固定在0.925，不论你运行多少遍，它都不会变，因为每次都是选择的最优的树。

random_state用来设置分枝中的随机模式的参数，默认None

在高维度时随机性会表现更明显，低维度的数据 （比如鸢尾花数据集），随机性几乎不会显现。

对于鸢尾花数据集，输入任意整数，会一直长出同一棵树，让模型稳定下来。因为这个数据集属性太少，数据的质量也太高了。

这也就回答了为什么本文没选用鸢尾花数据集。

splitter也是用来控制决策树中的随机选项的，有两种输入值

输入”best"，决策树在分枝时虽然随机，但是还是会 优先选择更重要的特征进行分枝（重要性可以通过属性feature_importances_查看）

输入“random"，决策树在 分枝时会更加随机，树会因为含有更多的不必要信息而更深更大，并因这些不必要信息而降低对训练集的拟合。

这 也是防止过拟合的一种方式。当你预测到你的模型会过拟合，用这两个参数来帮助你降低树建成之后过拟合的可能 性。

当然，树一旦建成，我们依然是使用剪枝参数来防止过拟合。

我们来实验一下：

clf = tree.DecisionTreeClassifier(criterion="entropy",random_state=30 ,splitter="random") 
clf = clf.fit(Xtrain, Ytrain) 
score = clf.score(Xtest, Ytest)
score

​

解释一下：我们得到的分数是0.944

我们将图画出来看看

import graphviz 
dot_data = tree.export_graphviz(clf,feature_names= feature_name,class_names=["琴酒","雪莉","贝尔摩德"],filled=True,rounded=True ) 
graph = graphviz.Source(dot_data)
graph

​

解释一下：怎么样，是不是我们得到的树更加大更加啊深呢！

2.1.3 剪枝参数

在不加限制的情况下，一棵决策树会生长到衡量不纯度的指标最优，或者没有更多的特征可用为止。

这样的决策树 往往会过拟合，这就是说，它会在训练集上表现很好，在测试集上却表现糟糕 。

我们收集的样本数据不可能和整体 的状况完全一致，因此当一棵决策树对训练数据有了过于优秀的解释性

它找出的规则必然包含了训练样本中的噪 声，并使它对未知数据的拟合程度不足。

不相信？我们来看看 我们现在模型：

#我们的树对训练集的拟合程度如何？
score_train = clf.score(Xtrain, Ytrain)
score_train

​

 解释一下：看看，是不是我们的模型对训练集效果太好了啊，这很容易造成过拟合。

那怎么来解决这个问题呢？

当我们养一盆植物的时候，当这个植物比较潦草的时候，我们怎么办呢？是不是要剪枝啊！

为了让决策树有更好的泛化性，我们要对决策树进行剪枝。

剪枝策略对决策树的影响巨大，正确的剪枝策略是优化 决策树算法的核心。

sklearn为我们提供了不同的剪枝策略：

max_depth ：

限制树的最大深度，超过设定深度的树枝全部剪掉 这是用得最广泛的剪枝参数，在高维度低样本量时非常有效。

决策树多生长一层，对样本量的需求会增加一倍，所 以限制树深度能够有效地限制过拟合。

在集成算法中也非常实用。实际使用时，建议从=3开始尝试，看看拟合的效 果再决定是否增加设定深度。

min_samples_leaf & min_samples_split ：

min_samples_leaf限定，一个节点在分枝后的每个子节点都必须包含至少min_samples_leaf个训练样本，否则分 枝就不会发生

或者，分枝会朝着满足每个子节点都包含min_samples_leaf个样本的方向去发生 一般搭配max_depth使用

在回归树中有神奇的效果，可以让模型变得更加平滑。

这个参数的数量设置得太小会引 起过拟合，设置得太大就会阻止模型学习数据。

一般来说，建议从=5开始使用。如果叶节点中含有的样本量变化很 大，建议输入浮点数作为样本量的百分比来使用。

同时，这个参数可以保证每个叶子的最小尺寸，可以在回归问题 中避免低方差，过拟合的叶子节点出现。对于类别不多的分类问题，取1通常就是最佳选择。

min_samples_split限定，一个节点必须要包含至少min_samples_split个训练样本，这个节点才允许被分枝，否则分枝就不会发生。

我们来看个例子吧：

clf=tree.DecisionTreeClassifier(criterion="entropy",random_state=30,splitter="random",max_depth=3,min_samples_leaf=5,min_samples_split=5)
clf = clf.fit(Xtrain, Ytrain)
dot_data = tree.export_graphviz(clf,feature_names= feature_name,class_names=["琴酒","雪莉","贝尔摩德"],filled=True,rounded=True)
graph = graphviz.Source(dot_data)
graph

​

解释一下：max_depth=3,min_samples_leaf=5,min_samples_split=5，观察上面的图，你会发现，深度不超过3，分支后的每个结点的samples都不少于5，每个被分的结点的samples都不低于5。

那么我们来看看效果怎么样

score = clf.score(Xtest, Ytest)
score

​

解释一下：树变得更简洁了，但是模型得分依旧不错。

max_features & min_impurity_decrease ：

一般max_depth使用，用作树的”精修“ max_features限制分枝时考虑的特征个数，超过限制个数的特征都会被舍弃。

和max_depth异曲同工， max_features是用来限制高维度数据的过拟合的剪枝参数

但其方法比较暴力，是直接限制可以使用的特征数量 而强行使决策树停下的参数

在不知道决策树中的各个特征的重要性的情况下，强行设定这个参数可能会导致模型学习不足。

如果希望通过降维的方式防止过拟合，建议使用PCA，ICA或者特征选择模块中的降维算法。

min_impurity_decrease限制信息增益的大小，信息增益小于设定数值的分枝不会发生。

这是在0.19版本中更新的功能，在0.19版本之前时使用min_impurity_split。

确认最优的剪枝参数：

那具体怎么来确定每个参数填写什么值呢？

这时候，我们就要使用确定超参数的曲线来进行判断了，继续使用我们 已经训练好的决策树模型clf。

超参数的学习曲线，是一条以超参数的取值为横坐标，模型的度量指标为纵坐标的曲线，它是用来衡量不同超参数取值下模型的表现的线。

在我们建好的决策树里，我们的模型度量指标就是score。

import matplotlib.pyplot as plt
test = []
for i in range(10):
    clf = tree.DecisionTreeClassifier(max_depth=i+1,criterion="entropy",random_state=30,splitter="random")
    clf = clf.fit(Xtrain, Ytrain)
    score = clf.score(Xtest, Ytest)
    test.append(score)
plt.plot(range(1,11),test,color="red",label="max_depth")
plt.legend()
plt.show()

​

解释一下：横坐标为max_depth取值，纵坐标为score，从图中我们可以看到，当max_depth取3的时候，模型得分最高。

那么，剪枝参数一定能够提升模型在测试集上的表现吗？

调参没有绝对的答案，一切都是看数据本身，嘿嘿

这么多参数，我们要一个个画学习曲线吗？那不累死了？

这个问题我会在后续的文章中回答。

无论如何，剪枝参数的默认值会让树无尽地生长

这些树在某些数据集上可能非常巨大，对内存的消耗也非常巨 大。

所以如果你手中的数据集非常巨大，你已经预测到无论如何你都是要剪枝的

那提前设定这些参数来控制树的 复杂性和大小会比较好。

2.1.4 目标权重参数

class_weight & min_weight_fraction_leaf：

完成样本标签平衡的参数。样本不平衡是指在一组数据集中，标签的一类天生占有很大的比例。

比如说，在银行要 判断“一个办了信用卡的人是否会违约”，就是是vs否（1%：99%）的比例。

这种分类状况下，即便模型什么也不 做，全把结果预测成“否”，正确率也能有99%。

因此我们要使用class_weight参数对样本标签进行一定的均衡，给少量的标签更多的权重，让模型更偏向少数类，向捕获少数类的方向建模。

该参数默认None，此模式表示自动给与数据集中的所有标签相同的权重。

有了权重之后，样本量就不再是单纯地记录数目，而是受输入的权重影响了

因此这时候剪枝，就需要搭配min_ weight_fraction_leaf这个基于权重的剪枝参数来使用。

另请注意，基于权重的剪枝参数（例如min_weight_ fraction_leaf）将比不知道样本权重的标准（比如min_samples_leaf）更少偏向主导类。

如果样本是加权的，则使用基于权重的预修剪标准来更容易优化树结构，这确保叶节点至少包含样本权重的总和的一小部分。

2.2  重要属性和接口

属性是在模型训练之后，能够调用查看的模型的各种性质。

对决策树来说，最重要的是feature_importances_，能 够查看各个特征对模型的重要性。

sklearn中许多算法的接口都是相似的，比如说我们之前已经用到的fifit和score，几乎对每个算法都可以使用。

除了这两个接口之外，决策树最常用的接口还有apply和predict。

apply中输入测试集返回每个测试样本所在的叶子节 点的索引，predict输入测试集返回每个测试样本的标签。

返回的内容一目了然并且非常容易，大家感兴趣可以自己 下去试试看。

在这里不得不提的是，所有接口中要求输入X_train和X_test的部分，输入的特征矩阵必须至少是一个二维矩阵。 sklearn不接受任何一维矩阵作为特征矩阵被输入 。

如果你的数据的确只有一个特征，那必须用reshape(-1,1)来给 矩阵增维；

如果你的数据只有一个特征和一个样本，使用reshape(1,-1)来给你的数据增维。

#apply返回每个测试样本所在的叶子节点的索引
clf.apply(Xtest)

​

 解释一下：我们拿到了每个样本所在的叶子节点的索引

#predict返回每个测试样本的分类/回归结果
clf.predict(Xtest)

​

 解释一下：我们拿到了每个样本的分类结果。

至此，我们已经学完了分类树DecisionTreeClassififier和用决策树绘图（export_graphviz）的所有基础。

我们讲解了决策树的基本流程，分类树的八个参数，一个属性，四个接口，以及绘图所用的代码。

八个参数：

Criterion，两个随机性相关的参数（random_state，splitter），五个剪枝参数（max_depth, min_samples_split，min_samples_leaf，max_feature，min_impurity_decrease）

一个属性： feature_importances_

四个接口： fifit，score，apply，predict

接下来，在不断的实验中，在各种数据集上进行实战，一定会变得更加熟练！

本文参考教程：菜菜的sk-learn课程

如有写的不合适，亦或是不精确的地方，望读者多包涵

如果大家对上述内容有任何不理解的地方，可以留言，和毛同学共同讨论，一起进步！