决策树与随机森林实例

标签：size   年龄   lin   class   标签   sele   ids   val   spec   

拿到数据集的第一步，清洗数据：

import pandas as pd
import numpy as np

titanic=pd.read_csv(r‘/Users/titanic_train.csv‘)

#删除无关列
titanic.drop([‘PassengerId‘,‘Ticket‘,‘Cabin‘,‘Name‘],axis=1,inplace=True)

#补全年龄缺失值
fillna_titanic=[]
for i in titanic.Sex.unique():
    update=titanic.loc[titanic.Sex==i].fillna(value={‘Age‘:titanic.Age[titanic.Sex==i].mean()})
    fillna_titanic.append(update)
titanic=pd.concat(fillna_titanic)

#补全登船信息
titanic.fillna(value={‘Embarked‘:titanic.Embarked.mode()[0]},inplace=True)

第二步，把变量转化成哑变量的形式：

#数值pclass转化成类型
titanic.Pclass=titanic.Pclass.astype(‘category‘)

#哑变量处理
dummy=pd.get_dummies(titanic[[‘Sex‘,‘Embarked‘,‘Pclass‘]])

#水平合并titanic和哑变量数据集
titanic=pd.concat([titanic,dummy],axis=1)
titanic.drop([‘Sex‘,‘Embarked‘,‘Pclass‘],axis=1,inplace=True)

数据准备好以后，就开始搭建模型啦。以下这些代码不用背下来，只要用到的时候改改参数就好了。这就是python的魅力所在，可以让一些很复杂的事情变得你也可以上手。

#训练集和测试集的搭建
from sklearn import model_selection

#取出所有自变量名称
predictors=titanic.columns[1:]

#将数据拆分为训练集和测试集，测试集的比例为25%
X_train,X_test,y_train,y_test=model_selection.train_test_split(titanic[predictors],titanic.Survived,
                                                              test_size=0.25,random_state=1234)

#使用网格法找出最优越模型参数
from sklearn.model_selection import GridSearchCV
from sklearn import tree

#预设各参数的不同选项值
max_depth=[2,3,4,5,6]
min_samples_split=[2,4,6,8]
min_samples_leaf=[2,4,8,10,12]

#将各参数的值以字典的形式组织起来
parameters={‘max_depth‘:max_depth,‘min_samples_split‘:min_samples_split,‘min_samples_leaf‘:min_samples_leaf}

#网格搜索法，测试不同的参数值
grid_dtcateg=GridSearchCV(estimator=tree.DecisionTreeClassifier(),param_grid=parameters,cv=10)

#模型拟合
grid_dtcateg.fit(X_train,y_train)

#返回最佳组合的参数值
print(grid_dtcateg.best_params_)

最佳参数组合为：3，4，2
找到最佳组合的参数后，试着搭建一棵决策树：

#单棵决策树建模
from sklearn import metrics

#构建分类决策树
CART_Class=tree.DecisionTreeClassifier(max_depth=3,min_samples_leaf=4,min_samples_split=2)

#模型拟合
decision_tree=CART_Class.fit(X_train,y_train)

#模型在测试集上的预测
pred=CART_Class.predict(X_test)

#模型的准确率
print(‘模型在测试集的预测准确率为：‘,metrics.accuracy_score(y_test,pred))

准确率为0.83，还不错。
绘图表现这个准确率：

import matplotlib.pyplot as plt

y_score=CART_Class.predict_proba(X_test)[:,1]
fpr,tpr,threshold=metrics.roc_curve(y_test,y_score)

#计算AUC的值
roc_auc=metrics.auc(fpr,tpr)

#绘制面积图
plt.stackplot(fpr,tpr,color=‘steelblue‘,alpha=0.5,edgecolor=‘black‘)

#添加边际线
plt.plot(fpr,tpr,color=‘black‘,lw=1)

#添加对角线
plt.plot([0,1],[0,1],color=‘red‘,linestyle=‘-‘)

#添加文本信息
plt.text(0.5,0.3,‘ROC curve(area=%0.2f)‘%roc_auc)

#添加x轴与y轴标签
plt.xlabel(‘1-Specificity‘)
plt.ylabel(‘Sensitivity‘)

#显示图形
plt.show()

构建随机森林的模型看看：

#构建随机森林,随机森林可以提高单棵决策树的预测准确度
from sklearn import ensemble

RF_class=ensemble.RandomForestClassifier(n_estimators=200,random_state=1234)

#随机森林的拟合
RF_class.fit(X_train,y_train)

#模型在测试集上的预测
RFclass_pred=RF_class.predict(X_test)

#模型的准确率
print(‘模型在测试集的预测准确率为：‘,metrics.accuracy_score(y_test,RFclass_pred))

随机森林的准确率为：0.85，比单棵决策树的准确率更高。
画个图看看准确率：

#计算绘图数据
y_score=RF_class.predict_proba(X_test)[:,1]
fpr,tpr,threshold=metrics.roc_curve(y_test,y_score)

#计算AUC的值
roc_auc=metrics.auc(fpr,tpr)

#绘制面积图
plt.stackplot(fpr,tpr,color=‘steelblue‘,alpha=0.5,edgecolor=‘black‘)

#添加边际线
plt.plot(fpr,tpr,color=‘black‘,lw=1)

#添加对角线
plt.plot([0,1],[0,1],color=‘red‘,linestyle=‘-‘)

#添加文本信息
plt.text(0.5,0.3,‘ROC curve(area=%0.2f)‘%roc_auc)

#添加x轴与y轴标签
plt.xlabel(‘1-Specificity‘)
plt.ylabel(‘Sensitivity‘)

#显示图形
plt.show()

哪些因素决定着泰坦尼克号上的获救率呢：

#自变量的重要性程度
importance=RF_class.feature_importances_

#构建序列用于绘图
Impt_Series=pd.Series(importance,index=X_train.columns)

#对序列排序绘图
Impt_Series.sort_values(ascending=True).plot(kind=‘barh‘)
plt.show()

结论已经显而易见，大家有什么启发吗？

决策树与随机森林实例

标签：size   年龄   lin   class   标签   sele   ids   val   spec   

原文地址：https://blog.51cto.com/14534896/2488370