标签：param ext nbsp rom series 参数调优 params img sel
决策树：能够利用一些决策结点，使数据根据决策属性进行路径选择，达到分类的目的。
一般决策树常用于DFS配合剪枝，被用于处理一些单一算法问题，但也能进行分类 。
也就是通过每一个结点的决策进行分类，那么关于如何设置这些结点的决策方式：
熵：描述一个集合内元素混乱程度的因素。
熵的衡量公式：
?
公式中的熵值 Entropy 会随着集合中类别数量增加而快速增加，也就是说一个集合中类别越少，那么它的熵就小，整体就越稳定。
对于一个标记数据集，要合理的建立一棵决策树，就需要合理的决定决策结点来使决策树尽快的降低熵值。
如何选择合适的决策：
（1）信息增溢
对于当前的集合，对每一个决策属性都尝试设置为决策结点的目标，计算决策分类前的熵值 与 分类后的所有子集的熵值 的差。选择最大的，作为当前的决策目标。
此方式有一些确定，就是当面对一些决策变量的分类子集很多，而子集却很小的情况。这次办法虽然会很快的降低熵，但这并不是我们想要的。
（2）信息增溢率
这是对熵增溢的一种改进，把原本的前后熵值的差，增加：
决策分类前属性的熵和 与 决策分类后的的熵 的比值，如果比值很小，说明分类分很多，损失值就会很大。
（3）gini系数：
gini系数和信息增溢率比较像
决策树的剪枝 ：
预剪枝：设置max_depth来达到建树过程中的剪枝，表示树的最大深度
后剪枝：通过min_sample_split与min_sample_leaf来对已经建成的决策树进行剪枝，分别是结点的元素个数与子树的叶子结点个数
随机森林 ：
构建多个决策树，从而得到更加符合期望的一些决策结果。以森林的结果众数来表示结果。
往往采用生成子数据集，取60%随机生成数据集
交叉验证：
几折交叉验证方式为，将训练数据进行几次对折，取一部分作为测试集，其他作为训练集。并将每个部分轮流作为测试集，最后得到一个平均评分。
网格超参数调优：
对分类器的参数进行调优评价，最后得到一个最优的参数组，并作为最终的分类器的参数。
数据集：威斯康辛州乳腺癌数据集
?
数据标签分布较为均衡
?
print(‘所有树：%s‘%rfc.estimators_) print(rfc.classes_) print(rfc.n_classes) print(‘判定结果：%s ‘%rfc.predict(xtest)) print(‘判定结果：%s‘%rfc.predict_proba(xtest)[:,:]) print(‘判定结果：%s ‘%rfc.predict_proba(xtest)[:,1]) #d1与d2结果相同 d1=np.array(pd.Series(rfc.predict_proba(xtest)[:,1]>0.5).map({False:0,True:1})) d2=rfc.predict(xtest) np.array_equal(d1,d2) #导入评价模块 from sklearn.metrics import roc_auc_score,roc_curve,auc #准确率 roc_auc_score(ytest,rfc.predict_proba(xtest)[:,1]) #结果：0.9935171385991058 print(‘各个feature的重要性：%s ‘%rfc.feature_importances_) std=np.std([tree.feature_importances_ for tree in rfc.estimators_],axis=0) 从大到小排序 indices = np.argsort(importances)[::-1] print(‘Feature Ranking:‘) for f in range(min(20,xtrain.shape[1])): print("%2d)%-*s %f"%(f+1, 30, xtrain.columns[indices[f]],importances[indices[f]]))
?
?
?
‘‘‘交叉验证‘‘‘ ‘‘‘ sklearn.model_selection.cross_val_score(estimator, X,yscoring=None, cv=None, n_jobs=1,verbose=0,fit_params=None,pre_dispatch=‘2*n_jobs‘) estimator:估计方法对象（分类器） X:数据特征（Featrues） y:数据标签（Labels） soring:调用方法（包括accuracy和mean_squared_error等等） cv:几折交叉验证（样本等分成几个部分,轮流作为验证集来验证模型） n_jobs:同时工作的cpu个数（-1 代表全部） ‘‘‘ #两种分类器的比较 #决策树 clf = DecisionTreeClassifier(max_depth=None,min_samples_split=2,random_state=0) scores = cross_val_score(clf, xtrain, ytrain) print(scores.mean()) #0.932157394843962 #随机森林 clf = RandomForestClassifier() scores = cross_val_score(clf, xtrain, ytrain) print(scores.mean()) #0.9471958389868838
参数调优过程：
#参数调优 param_test1 = {‘n_estimators‘:range(25,500,25)} gsearch1 = GridSearchCV(estimator = RandomForestClassifier(min_samples_split=100, min_samples_leaf=20, max_depth=8,random_state=10), param_grid = param_test1, scoring=‘roc_auc‘, cv = 5) gsearch1.fit(xtrain, ytrain) ‘‘‘调优结果‘‘‘ print(gsearch1.best_params_,gsearch1.best_score_) param_test2 = {‘min_samples_split‘:range(60,200,20), ‘min_samples_leaf‘:range(10,110,10)} gsearch2 = GridSearchCV(estimator = RandomForestClassifier(n_estimators=50, max_depth=8,random_state=10), param_grid = param_test2, scoring=‘roc_auc‘, cv = 5) gsearch2.fit(xtrain, ytrain) ‘‘‘调优结果‘‘‘ print(gsearch2.best_params_,gsearch2.best_score_) param_test3 = {‘max_depth‘:range(3,30,2)} gsearch1 = GridSearchCV(estimator = RandomForestClassifier(min_samples_split=60, min_samples_leaf=10, n_estimators=50, random_state=10), param_grid = param_test3, scoring=‘roc_auc‘, cv = 5) gsearch3.fit(xtrain, ytrain) ‘‘‘调优结果‘‘‘ print(gsearch3.best_params_,gsearch3.best_score_) param_test4 = {‘criterion‘:[‘gini‘,‘entropy‘], ‘class_weight‘:[None, ‘balanced‘]} gsearch4 = GridSearchCV(estimator = RandomForestClassifier(n_estimators=50, min_samples_split=60, min_samples_leaf=10, max_depth=3, random_state=10), param_grid = param_test4, scoring=‘roc_auc‘, cv = 5) gsearch4.fit(xtrain, ytrain) ‘‘‘调优结果‘‘‘ print(gsearch4.best_params_,gsearch4.best_score_) #gini,None #整合所有最优参数值，得到最优评分 best_score = roc_auc_score(ytest, gsearch4.best_estimator_.predict_proba(xtest)[:,1]) print(best_score)
?
标签：param ext nbsp rom series 参数调优 params img sel
原文地址：https://www.cnblogs.com/lzw265/p/12348598.html
