【機器學習基礎】用Python構建和可視化決策樹

作者|Nikhil Adithyan?

編譯|VK?

來源|Towards Data Science

決策樹

決策樹是當今最強大的監(jiān)督學習方法的組成部分。決策樹基本上是一個二叉樹的流程圖，其中每個節(jié)點根據(jù)某個特征變量將一組觀測值拆分。

決策樹的目標是將數(shù)據(jù)分成多個組，這樣一個組中的每個元素都屬于同一個類別。決策樹也可以用來近似連續(xù)的目標變量。在這種情況下，樹將進行拆分，使每個組的均方誤差最小。

決策樹的一個重要特性是它們很容易被解釋。你根本不需要熟悉機器學習技術就可以理解決策樹在做什么。決策樹圖很容易解釋。

利弊

決策樹方法的優(yōu)點是：

• 決策樹能夠生成可理解的規(guī)則。

• 決策樹在不需要大量計算的情況下進行分類。

• 決策樹能夠處理連續(xù)變量和分類變量。

• 決策樹提供了一個明確的指示，哪些字段是最重要的。

決策樹方法的缺點是：

• 決策樹不太適合于目標是預測連續(xù)屬性值的估計任務。

• 決策樹在類多、訓練樣本少的分類問題中容易出錯。

• 決策樹的訓練在計算上可能很昂貴。生成決策樹的過程在計算上非常昂貴。在每個節(jié)點上，每個候選拆分字段都必須進行排序，才能找到其最佳拆分。在某些算法中，使用字段組合，必須搜索最佳組合權重。剪枝算法也可能是昂貴的，因為許多候選子樹必須形成和比較。

Python決策樹

Python是一種通用編程語言，它為數(shù)據(jù)科學家提供了強大的機器學習包和工具。在本文中，我們將使用python最著名的機器學習包scikit-learn來構建決策樹模型。我們將使用scikit learn提供的“DecisionTreeClassifier”算法創(chuàng)建模型，然后使用“plot_tree”函數(shù)可視化模型。

步驟1：導入包

我們構建模型的主要軟件包是pandas、scikit learn和NumPy。按照代碼在python中導入所需的包。

import?pandas?as?pd?#?數(shù)據(jù)處理
import?numpy?as?np?#?使用數(shù)組
import?matplotlib.pyplot?as?plt?#?可視化
from?matplotlib?import?rcParams?#?圖大小
from?termcolor?import?colored?as?cl?#?文本自定義

from?sklearn.tree?import?DecisionTreeClassifier?as?dtc?#?樹算法
from?sklearn.model_selection?import?train_test_split?#?拆分數(shù)據(jù)
from?sklearn.metrics?import?accuracy_score?#?模型準確度
from?sklearn.tree?import?plot_tree?#?樹圖

rcParams['figure.figsize']?=?(25,?20)

在導入構建我們的模型所需的所有包之后，是時候?qū)霐?shù)據(jù)并對其進行一些EDA了。

步驟2：導入數(shù)據(jù)和EDA

在這一步中，我們將使用python中提供的“Pandas”包來導入并在其上進行一些EDA。我們將建立我們的決策樹模型，數(shù)據(jù)集是一個藥物數(shù)據(jù)集，它是基于特定的標準給病人開的處方。讓我們用python導入數(shù)據(jù)!

Python實現(xiàn)：

df?=?pd.read_csv('drug.csv')
df.drop('Unnamed:?0',?axis?=?1,?inplace?=?True)

print(cl(df.head(),?attrs?=?['bold']))

「輸出：」

???Age?Sex??????BP?Cholesterol??Na_to_K???Drug
0???23???F????HIGH????????HIGH???25.355??drugY
1???47???M?????LOW????????HIGH???13.093??drugC
2???47???M?????LOW????????HIGH???10.114??drugC
3???28???F??NORMAL????????HIGH????7.798??drugX
4???61???F?????LOW????????HIGH???18.043??drugY

現(xiàn)在我們對數(shù)據(jù)集有了一個清晰的概念。導入數(shù)據(jù)后，讓我們使用“info”函數(shù)獲取有關數(shù)據(jù)的一些基本信息。此函數(shù)提供的信息包括條目數(shù)、索引號、列名、非空值計數(shù)、屬性類型等。

Python實現(xiàn)：

df.info()

「輸出：」

<class?'pandas.core.frame.DataFrame'>
RangeIndex:?200?entries,?0?to?199
Data?columns?(total?6?columns):
?#???Column???????Non-Null?Count??Dtype??
---??------???????--------------??-----??
?0???Age??????????200?non-null????int64??
?1???Sex??????????200?non-null????object?
?2???BP???????????200?non-null????object?
?3???Cholesterol??200?non-null????object?
?4???Na_to_K??????200?non-null????float64
?5???Drug?????????200?non-null????object?
dtypes:?float64(1),?int64(1),?object(4)
memory?usage:?9.5+?KB

步驟3：數(shù)據(jù)處理

我們可以看到像Sex, BP和Cholesterol這樣的屬性在本質(zhì)上是分類的和對象類型的。問題是，scikit-learn中的決策樹算法本質(zhì)上不支持X變量(特征)是“對象”類型。因此，有必要將這些“object”值轉換為“binary”值。讓我們用python來實現(xiàn)

Python實現(xiàn)：

for?i?in?df.Sex.values:
????if?i??==?'M':
????????df.Sex.replace(i,?0,?inplace?=?True)
????else:
????????df.Sex.replace(i,?1,?inplace?=?True)

for?i?in?df.BP.values:
????if?i?==?'LOW':
????????df.BP.replace(i,?0,?inplace?=?True)
????elif?i?==?'NORMAL':
????????df.BP.replace(i,?1,?inplace?=?True)
????elif?i?==?'HIGH':
????????df.BP.replace(i,?2,?inplace?=?True)

for?i?in?df.Cholesterol.values:
????if?i?==?'LOW':
????????df.Cholesterol.replace(i,?0,?inplace?=?True)
????else:
????????df.Cholesterol.replace(i,?1,?inplace?=?True)

print(cl(df,?attrs?=?['bold']))

「輸出：」

?????Age??Sex??BP??Cholesterol??Na_to_K???Drug
0?????23????1???2????????????1???25.355??drugY
1?????47????1???0????????????1???13.093??drugC
2?????47????1???0????????????1???10.114??drugC
3?????28????1???1????????????1????7.798??drugX
4?????61????1???0????????????1???18.043??drugY
..???...??...??..??????????...??????...????...
195???56????1???0????????????1???11.567??drugC
196???16????1???0????????????1???12.006??drugC
197???52????1???1????????????1????9.894??drugX
198???23????1???1????????????1???14.020??drugX
199???40????1???0????????????1???11.349??drugX

[200?rows?x?6?columns]

我們可以觀察到所有的“object”值都被處理成“binary”值來表示分類數(shù)據(jù)。例如，在膽固醇屬性中，顯示“低”的值被處理為0，“高”則被處理為1?，F(xiàn)在我們準備好從數(shù)據(jù)中創(chuàng)建因變量和自變量。

步驟4：拆分數(shù)據(jù)

在將我們的數(shù)據(jù)處理為正確的結構之后，我們現(xiàn)在設置“X”變量（自變量），“Y”變量（因變量）。讓我們用python來實現(xiàn)

Python實現(xiàn)：

X_var?=?df[['Sex',?'BP',?'Age',?'Cholesterol',?'Na_to_K']].values?#?自變量
y_var?=?df['Drug'].values?#?因變量

print(cl('X?variable?samples?:?{}'.format(X_var[:5]),?attrs?=?['bold']))
print(cl('Y?variable?samples?:?{}'.format(y_var[:5]),?attrs?=?['bold']))

「輸出：」

X?variable?samples?:?[[?1.?????2.????23.?????1.????25.355]
?[?1.?????0.????47.?????1.????13.093]
?[?1.?????0.????47.?????1.????10.114]
?[?1.?????1.????28.?????1.?????7.798]
?[?1.?????0.????61.?????1.????18.043]]
Y?variable?samples?:?['drugY'?'drugC'?'drugC'?'drugX'?'drugY']

我們現(xiàn)在可以使用scikit learn中的“train_test_split”算法將數(shù)據(jù)分成訓練集和測試集，其中包含我們定義的X和Y變量。按照代碼在python中拆分數(shù)據(jù)。

Python實現(xiàn)：

X_train,?X_test,?y_train,?y_test?=?train_test_split(X_var,?y_var,?test_size?=?0.2,?random_state?=?0)

print(cl('X_train?shape?:?{}'.format(X_train.shape),?attrs?=?['bold'],?color?=?'black'))
print(cl('X_test?shape?:?{}'.format(X_test.shape),?attrs?=?['bold'],?color?=?'black'))
print(cl('y_train?shape?:?{}'.format(y_train.shape),?attrs?=?['bold'],?color?=?'black'))
print(cl('y_test?shape?:?{}'.format(y_test.shape),?attrs?=?['bold'],?color?=?'black'))

「輸出：」

X_train?shape?:?(160,?5)
X_test?shape?:?(40,?5)
y_train?shape?:?(160,)
y_test?shape?:?(40,)

現(xiàn)在我們有了構建決策樹模型的所有組件。所以，讓我們繼續(xù)用python構建我們的模型。

步驟5：建立模型和預測

在scikit學習包提供的“DecisionTreeClassifier”算法的幫助下，構建決策樹是可行的。之后，我們可以使用我們訓練過的模型來預測我們的數(shù)據(jù)。最后，我們的預測結果的精度可以用“準確度”評估指標來計算。讓我們用python來完成這個過程！

Python實現(xiàn)：

model?=?dtc(criterion?=?'entropy',?max_depth?=?4)
model.fit(X_train,?y_train)

pred_model?=?model.predict(X_test)

print(cl('Accuracy?of?the?model?is?{:.0%}'.format(accuracy_score(y_test,?pred_model)),?attrs?=?['bold']))

「輸出：」

Accuracy?of?the?model?is?88%

在代碼的第一步中，我們定義了一個名為“model”變量的變量，我們在其中存儲DecisionTreeClassifier模型。接下來，我們將使用我們的訓練集對模型進行擬合和訓練。之后，我們定義了一個變量，稱為“pred_model”變量，其中我們將模型預測的所有值存儲在數(shù)據(jù)上。最后，我們計算了我們的預測值與實際值的精度，其準確率為88%。

步驟6：可視化模型

現(xiàn)在我們有了決策樹模型，讓我們利用python中scikit learn包提供的“plot_tree”函數(shù)來可視化它。按照代碼從python中的決策樹模型生成一個漂亮的樹圖。

Python實現(xiàn)：

feature_names?=?df.columns[:5]
target_names?=?df['Drug'].unique().tolist()

plot_tree(model,?
??????????feature_names?=?feature_names,?
??????????class_names?=?target_names,?
??????????filled?=?True,?
??????????rounded?=?True)

plt.savefig('tree_visualization.png')?

「輸出：」

結論

有很多技術和其他算法用于優(yōu)化決策樹和避免過擬合，比如剪枝。雖然決策樹通常是不穩(wěn)定的，這意味著數(shù)據(jù)的微小變化會導致最優(yōu)樹結構的巨大變化，但其簡單性使其成為廣泛應用的有力候選。在神經(jīng)網(wǎng)絡流行之前，決策樹是機器學習中最先進的算法。其他一些集成模型，比如隨機森林模型，比普通決策樹模型更強大。

決策樹由于其簡單性和可解釋性而非常強大。決策樹和隨機森林在用戶注冊建模、信用評分、故障預測、醫(yī)療診斷等領域有著廣泛的應用。我為本文提供了完整的代碼。

完整代碼：

import?pandas?as?pd?#?數(shù)據(jù)處理
import?numpy?as?np?#?使用數(shù)組
import?matplotlib.pyplot?as?plt?#?可視化
from?matplotlib?import?rcParams?#?圖大小
from?termcolor?import?colored?as?cl?#?文本自定義

from?sklearn.tree?import?DecisionTreeClassifier?as?dtc?#?樹算法
from?sklearn.model_selection?import?train_test_split?#?拆分數(shù)據(jù)
from?sklearn.metrics?import?accuracy_score?#?模型準確度
from?sklearn.tree?import?plot_tree?#?樹圖

rcParams['figure.figsize']?=?(25,?20)

df?=?pd.read_csv('drug.csv')
df.drop('Unnamed:?0',?axis?=?1,?inplace?=?True)

print(cl(df.head(),?attrs?=?['bold']))

df.info()

for?i?in?df.Sex.values:
????if?i??==?'M':
????????df.Sex.replace(i,?0,?inplace?=?True)
????else:
????????df.Sex.replace(i,?1,?inplace?=?True)
????????
for?i?in?df.BP.values:
????if?i?==?'LOW':
????????df.BP.replace(i,?0,?inplace?=?True)
????elif?i?==?'NORMAL':
????????df.BP.replace(i,?1,?inplace?=?True)
????elif?i?==?'HIGH':
????????df.BP.replace(i,?2,?inplace?=?True)
????????
for?i?in?df.Cholesterol.values:
????if?i?==?'LOW':
????????df.Cholesterol.replace(i,?0,?inplace?=?True)
????else:
????????df.Cholesterol.replace(i,?1,?inplace?=?True)
????????
print(cl(df,?attrs?=?['bold']))

X_var?=?df[['Sex',?'BP',?'Age',?'Cholesterol',?'Na_to_K']].values?#?自變量
y_var?=?df['Drug'].values?#?因變量

print(cl('X?variable?samples?:?{}'.format(X_var[:5]),?attrs?=?['bold']))
print(cl('Y?variable?samples?:?{}'.format(y_var[:5]),?attrs?=?['bold']))

X_train,?X_test,?y_train,?y_test?=?train_test_split(X_var,?y_var,?test_size?=?0.2,?random_state?=?0)

print(cl('X_train?shape?:?{}'.format(X_train.shape),?attrs?=?['bold'],?color?=?'red'))
print(cl('X_test?shape?:?{}'.format(X_test.shape),?attrs?=?['bold'],?color?=?'red'))
print(cl('y_train?shape?:?{}'.format(y_train.shape),?attrs?=?['bold'],?color?=?'green'))
print(cl('y_test?shape?:?{}'.format(y_test.shape),?attrs?=?['bold'],?color?=?'green'))

model?=?dtc(criterion?=?'entropy',?max_depth?=?4)
model.fit(X_train,?y_train)

pred_model?=?model.predict(X_test)

print(cl('Accuracy?of?the?model?is?{:.0%}'.format(accuracy_score(y_test,?pred_model)),?attrs?=?['bold']))

feature_names?=?df.columns[:5]
target_names?=?df['Drug'].unique().tolist()

plot_tree(model,?
??????????feature_names?=?feature_names,?
??????????class_names?=?target_names,?
??????????filled?=?True,?
??????????rounded?=?True)

plt.savefig('tree_visualization.png')

原文鏈接：https://towardsdatascience.com/building-and-visualizing-decision-tree-in-python-2cfaafd8e1bb