Python数据挖掘课程 四.决策树DTC数据分析及鸢尾数据集分析

今天主要讲述的内容是关于决策树的知识，主要包括以下内容：

1.分类及决策树算法介绍

2.鸢尾花卉数据集介绍

3.决策树实现鸢尾数据集分析

前文推荐：

【Python数据挖掘课程】一.安装Python及爬虫入门介绍

【Python数据挖掘课程】二.Kmeans聚类数据分析及Anaconda介绍

【Python数据挖掘课程】三.Kmeans聚类代码实现、作业及优化

希望这篇文章对你有所帮助，尤其是刚刚接触数据挖掘以及大数据的同学，同时准备尝试以案例为主的方式进行讲解。如果文章中存在不足或错误的地方，还请海涵~

一. 分类及决策树介绍

1.分类

分类其实是从特定的数据中挖掘模式，作出判断的过程。比如Gmail邮箱里有垃圾邮件分类器，一开始的时候可能什么都不过滤，在日常使用过程中，我人工对于每一封邮件点选“垃圾”或“不是垃圾”，过一段时间，Gmail就体现出一定的智能，能够自动过滤掉一些垃圾邮件了。

这是因为在点选的过程中，其实是给每一条邮件打了一个“标签”，这个标签只有两个值，要么是“垃圾”，要么“不是垃圾”，Gmail就会不断研究哪些特点的邮件是垃圾，哪些特点的不是垃圾，形成一些判别的模式，这样当一封信的邮件到来，就可以自动把邮件分到“垃圾”和“不是垃圾”这两个我们人工设定的分类的其中一个。



分类学习主要过程如下：

（1）训练数据集存在一个类标记号，判断它是正向数据集（起积极作用，不垃圾邮件），还是负向数据集（起抑制作用，垃圾邮件）；

（2）然后需要对数据集进行学习训练，并构建一个训练的模型；

（3）通过该模型对预测数据集进预测，并计算其结果的性能。

2.决策树（decision tree）

决策树是用于分类和预测的主要技术之一，决策树学习是以实例为基础的归纳学习算法，它着眼于从一组无次序、无规则的实例中推理出以决策树表示的分类规则。构造决策树的目的是找出属性和类别间的关系，用它来预测将来未知类别的记录的类别。它采用自顶向下的递归方式，在决策树的内部节点进行属性的比较，并根据不同属性值判断从该节点向下的分支，在决策树的叶节点得到结论。

决策树算法根据数据的属性采用树状结构建立决策模型， 决策树模型常用来解决分类和回归问题。常见的算法包括：分类及回归树（Classification And Regression Tree， CART）， ID3 (Iterative Dichotomiser 3)， C4.5， Chi-squared Automatic Interaction Detection(CHAID), Decision Stump, 随机森林（Random Forest）， 多元自适应回归样条（MARS）以及梯度推进机（Gradient
Boosting Machine， GBM）。

决策数有两大优点：1）决策树模型可以读性好，具有描述性，有助于人工分析；2）效率高，决策树只需要一次构建，反复使用，每一次预测的最大计算次数不超过决策树的深度。

示例1：

下面举两个例子，参考下面文章，强烈推荐大家阅读，尤其是决策树原理。

算法杂货铺——分类算法之决策树(Decision tree) - leoo2sk

这个也是我上课讲述的例子，引用上面文章的。通俗来说，决策树分类的思想类似于找对象。现想象一个女孩的母亲要给这个女孩介绍男朋友，于是有了下面的对话：

女儿：多大年纪了？

母亲：26。

女儿：长的帅不帅？

母亲：挺帅的。

女儿：收入高不？

母亲：不算很高，中等情况。

女儿：是公务员不？

母亲：是，在税务局上班呢。

女儿：那好，我去见见。

这个女孩的决策过程就是典型的分类树决策。相当于通过年龄、长相、收入和是否公务员对将男人分为两个类别：见和不见。假设这个女孩对男人的要求是：30岁以下、长相中等以上并且是高收入者或中等以上收入的公务员，那么这个可以用下图表示女孩的决策逻辑。



示例2：

另一个课堂上的例子，参考CSDN的大神lsldd的文章，推荐大家阅读学习信息熵。

用Python开始机器学习（2：决策树分类算法）

假设要构建这么一个自动选好苹果的决策树，简单起见，我只让他学习下面这4个样本：

[python] view
plain copy







样本 红 大 好苹果

0 1 1 1

1 1 0 1

2 0 1 0

3 0 0 0

样本中有2个属性，A0表示是否红苹果。A1表示是否大苹果。

本例仅2个属性。那么很自然一共就只可能有2棵决策树，如下图所示：



示例3：

第三个例子，推荐这篇文章：决策树学习笔记整理 - bourneli





决策树构建的基本步骤如下：

1. 开始，所有记录看作一个节点；

2. 遍历每个变量的每一种分割方式，找到最好的分割点；

3. 分割成两个节点N1和N2；

4. 对N1和N2分别继续执行2-3步，直到每个节点足够“纯”为止。

二. 鸢尾花卉Iris数据集

在Sklearn机器学习包中，集成了各种各样的数据集，上节课讲述Kmeans使用的是一个NBA篮球运动员数据集，需要定义X多维矩阵或读取文件导入，而这节课使用的是鸢尾花卉Iris数据集，它是很常用的一个数据集。

数据集来源：Iris
plants data set - KEEL dataset

该数据集一共包含4个特征变量，1个类别变量。共有150个样本，鸢尾有三个亚属，分别是山鸢尾 (Iris-setosa)，变色鸢尾(Iris-versicolor)和维吉尼亚鸢尾(Iris-virginica)。

iris是鸢尾植物，这里存储了其萼片和花瓣的长宽，共4个属性，鸢尾植物分三类。



iris里有两个属性iris.data，iris.target。

data里是一个矩阵，每一列代表了萼片或花瓣的长宽，一共4列，每一列代表某个被测量的鸢尾植物，一共采样了150条记录。代码如下：

[python] view
plain copy







#导入数据集iris

from sklearn.datasets import load_iris

#载入数据集

iris = load_iris()

#输出数据集

print iris.data

输出如下所示：

[python] view
plain copy







[[ 5.1 3.5 1.4 0.2]

[ 4.9 3. 1.4 0.2]

[ 4.7 3.2 1.3 0.2]

[ 4.6 3.1 1.5 0.2]

[ 5. 3.6 1.4 0.2]

[ 5.4 3.9 1.7 0.4]

[ 4.6 3.4 1.4 0.3]

[ 5. 3.4 1.5 0.2]

[ 4.4 2.9 1.4 0.2]

....

[ 6.7 3. 5.2 2.3]

[ 6.3 2.5 5. 1.9]

[ 6.5 3. 5.2 2. ]

[ 6.2 3.4 5.4 2.3]

[ 5.9 3. 5.1 1.8]]

target是一个数组，存储了data中每条记录属于哪一类鸢尾植物，所以数组的长度是150，数组元素的值因为共有3类鸢尾植物，所以不同值只有3个。种类：

Iris Setosa（山鸢尾）

Iris Versicolour（杂色鸢尾）

Iris Virginica（维吉尼亚鸢尾）

[python] view
plain copy







#输出真实标签

print iris.target

print len(iris.target)

#150个样本 每个样本4个特征

print iris.data.shape

输出结果如下：

[python] view
plain copy







[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2

2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2

2 2]

150

(150L, 4L)

可以看到，类标共分为三类，前面50个类标位0，中间50个类标位1，后面为2。

下面给详细介绍使用决策树进行对这个数据集进行测试的代码。

三. 决策树实现鸢尾数据集分析

1. DecisionTreeClassifier

Sklearn机器学习包中，决策树实现类是DecisionTreeClassifier，能够执行数据集的多类分类。

输入参数为两个数组X[n_samples,n_features]和y[n_samples],X为训练数据，y为训练数据的标记数据。

DecisionTreeClassifier构造方法为：

[python] view
plain copy







sklearn.tree.DecisionTreeClassifier(criterion='gini'

, splitter='best'

, max_depth=None

, min_samples_split=2

, min_samples_leaf=1

, max_features=None

, random_state=None

, min_density=None

, compute_importances=None

, max_leaf_nodes=None)

鸢尾花数据集使用决策树的代码如下：

[python] view
plain copy







# -*- coding: utf-8 -*-

"""

Created on Fri Oct 14 21:44:19 2016

@author: 杨秀璋

"""

#导入数据集iris

from sklearn.datasets import load_iris

#载入数据集

iris = load_iris()

print iris.data #输出数据集

print iris.target #输出真实标签

print len(iris.target)

print iris.data.shape #150个样本 每个样本4个特征

#导入决策树DTC包

from sklearn.tree import DecisionTreeClassifier

#训练

clf = DecisionTreeClassifier()

clf.fit(iris.data, iris.target)

print clf

#预测

predicted = clf.predict(iris.data)

#获取花卉两列数据集

X = iris.data

L1 = [x[0] for x in X]

print L1

L2 = [x[1] for x in X]

print L2

#绘图

import numpy as np

import matplotlib.pyplot as plt

plt.scatter(L1, L2, c=predicted, marker='x') #cmap=plt.cm.Paired

plt.title("DTC")

plt.show()

输出结果如下所示，可以看到分位三类，分别代表数据集三种鸢尾植物。

2.代码优化

在课堂上我讲过，这里存在两个问题：

1.前面鸢尾Iris数据集包括四个特征（萼片长度、萼片宽度、花瓣长度、花瓣宽度），上面代码中"L1 = [x[0] for x in X]"我获取了第一列和第二列数据集进行的绘图，而真是数据集中可能存在多维特征，那怎么实现呢？

这里涉及到一个降维操作，后面会详细介绍。

2.第二个问题是，分类学习模型如下所示，它的预测是通过一组新的数据集。



而上面的代码"predicted = clf.predict(iris.data)"是对整个的数据集进行决策树分析，而真是的分类分析，需要把一部分数据集作为训练，一部分作为预测，这里使用70%的训练，30%的进行预测。代码如下：

[python] view
plain copy







#训练集

train_data = np.concatenate((iris.data[0:40, :], iris.data[50:90, :], iris.data[100:140, :]), axis = 0)

#训练集样本类别

train_target = np.concatenate((iris.target[0:40], iris.target[50:90], iris.target[100:140]), axis = 0)

#测试集

test_data = np.concatenate((iris.data[40:50, :], iris.data[90:100, :], iris.data[140:150, :]), axis = 0)

#测试集样本类别

test_target = np.concatenate((iris.target[40:50], iris.target[90:100], iris.target[140:150]), axis = 0)

优化后的完整代码如下所示，同时输出准确率、召回率等。

[python] view
plain copy







# -*- coding: utf-8 -*-

"""

Created on Fri Oct 14 21:44:19 2016

@author: 杨秀璋

"""

#导入数据集iris

from sklearn.datasets import load_iris

#载入数据集

iris = load_iris()

'''''

print iris.data #输出数据集

print iris.target #输出真实标签

print len(iris.target)

print iris.data.shape #150个样本 每个样本4个特征

'''

'''''

重点：分割数据集 构造训练集/测试集，120/30

70%训练 0-40 50-90 100-140

30%预测 40-50 90-100 140-150

'''

#训练集

train_data = np.concatenate((iris.data[0:40, :], iris.data[50:90, :], iris.data[100:140, :]), axis = 0)

#训练集样本类别

train_target = np.concatenate((iris.target[0:40], iris.target[50:90], iris.target[100:140]), axis = 0)

#测试集

test_data = np.concatenate((iris.data[40:50, :], iris.data[90:100, :], iris.data[140:150, :]), axis = 0)

#测试集样本类别

test_target = np.concatenate((iris.target[40:50], iris.target[90:100], iris.target[140:150]), axis = 0)

#导入决策树DTC包

from sklearn.tree import DecisionTreeClassifier

#训练

clf = DecisionTreeClassifier()

#注意均使用训练数据集和样本类标

clf.fit(train_data, train_target)

print clf

#预测结果

predict_target = clf.predict(test_data)

print predict_target

#预测结果与真实结果比对

print sum(predict_target == test_target)

#输出准确率 召回率 F值

from sklearn import metrics

print(metrics.classification_report(test_target, predict_target))

print(metrics.confusion_matrix(test_target, predict_target))

#获取花卉测试数据集两列数据集

X = test_data

L1 = [n[0] for n in X]

print L1

L2 = [n[1] for n in X]

print L2

#绘图

import numpy as np

import matplotlib.pyplot as plt

plt.scatter(L1, L2, c=predict_target, marker='x') #cmap=plt.cm.Paired

plt.title("DecisionTreeClassifier")

plt.show()

输出结果如下：

[python] view
plain copy







DecisionTreeClassifier(class_weight=None, criterion='gini', max_depth=None,

max_features=None, max_leaf_nodes=None, min_samples_leaf=1,

min_samples_split=2, min_weight_fraction_leaf=0.0,

presort=False, random_state=None, splitter='best')

[0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2]

30

precision recall f1-score support

0 1.00 1.00 1.00 10

1 1.00 1.00 1.00 10

2 1.00 1.00 1.00 10

avg / total 1.00 1.00 1.00 30

[[10 0 0]

[ 0 10 0]

[ 0 0 10]]

绘制图形如下所示：

3.补充知识

最后补充Skleaern官网上的一个决策树的例子，推荐大家学习。

推荐地址：Plot the decision surface of a decision tree
on the iris dataset

代码如下：

[python] view
plain copy







# -*- coding: utf-8 -*-

"""

Created on Wed Oct 12 23:30:34 2016

@author: yxz15

"""

print(__doc__)

import numpy as np

import matplotlib.pyplot as plt

from sklearn.datasets import load_iris

from sklearn.tree import DecisionTreeClassifier

# Parameters

n_classes = 3

plot_colors = "bry"

plot_step = 0.02

# Load data

iris = load_iris()

for pairidx, pair in enumerate([[0, 1], [0, 2], [0, 3],

[1, 2], [1, 3], [2, 3]]):

# We only take the two corresponding features

X = iris.data[:, pair]

y = iris.target

# Train

clf = DecisionTreeClassifier().fit(X, y)

# Plot the decision boundary

plt.subplot(2, 3, pairidx + 1)

x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1

y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1

xx, yy = np.meshgrid(np.arange(x_min, x_max, plot_step),

np.arange(y_min, y_max, plot_step))

Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])

Z = Z.reshape(xx.shape)

cs = plt.contourf(xx, yy, Z, cmap=plt.cm.Paired)

plt.xlabel(iris.feature_names[pair[0]])

plt.ylabel(iris.feature_names[pair[1]])

plt.axis("tight")

# Plot the training points

for i, color in zip(range(n_classes), plot_colors):

idx = np.where(y == i)

plt.scatter(X[idx, 0], X[idx, 1], c=color, label=iris.target_names[i],

cmap=plt.cm.Paired)

plt.axis("tight")

plt.suptitle("Decision surface of a decision tree using paired features")

plt.legend()

plt.show()

输出如下所示：



绘制可视化决策树图部分，总是报错：

AttributeError: 'NoneType' object has no attribute 'write'

[python] view
plain copy







'''''

生成可视化训练好的决策树

详见：http://scikit-learn.org/stable/modules/tree.html

'''

from sklearn.externals.six import StringIO

from sklearn.tree import export_graphviz

with open("iris.dot", 'w') as f:

f = export_graphviz(clf, out_file=f)

import pydotplus

from sklearn import tree

dot_data = tree.export_graphviz(clf, out_file=None)

graph = pydotplus.graph_from_dot_data(dot_data)

graph.write_pdf("iris.pdf")

from IPython.display import Image

from sklearn import tree

import pydotplus

dot_data = tree.export_graphviz(clf, out_file="tree.dot",

feature_names=iris.feature_names,

class_names=iris.target_names,

filled=True, rounded=True,

special_characters=True)

graph = pydotplus.graph_from_dot_data(dot_data)

Image(graph.create_png())

其中iris.dot数据如下所示：

[python] view
plain copy







digraph Tree {

node [shape=box] ;

0 [label="X[2] <= 2.6\ngini = 0.6667\nsamples = 120\nvalue = [40, 40, 40]"] ;

1 [label="gini = 0.0\nsamples = 40\nvalue = [40, 0, 0]"] ;

0 -> 1 [labeldistance=2.5, labelangle=45, headlabel="True"] ;

2 [label="X[3] <= 1.75\ngini = 0.5\nsamples = 80\nvalue = [0, 40, 40]"] ;

0 -> 2 [labeldistance=2.5, labelangle=-45, headlabel="False"] ;

3 [label="X[2] <= 4.95\ngini = 0.2014\nsamples = 44\nvalue = [0, 39, 5]"] ;

2 -> 3 ;

4 [label="X[3] <= 1.65\ngini = 0.0512\nsamples = 38\nvalue = [0, 37, 1]"] ;

3 -> 4 ;

5 [label="gini = 0.0\nsamples = 37\nvalue = [0, 37, 0]"] ;

4 -> 5 ;

6 [label="gini = 0.0\nsamples = 1\nvalue = [0, 0, 1]"] ;

4 -> 6 ;

7 [label="X[3] <= 1.55\ngini = 0.4444\nsamples = 6\nvalue = [0, 2, 4]"] ;

3 -> 7 ;

8 [label="gini = 0.0\nsamples = 3\nvalue = [0, 0, 3]"] ;

7 -> 8 ;

9 [label="X[0] <= 6.95\ngini = 0.4444\nsamples = 3\nvalue = [0, 2, 1]"] ;

7 -> 9 ;

10 [label="gini = 0.0\nsamples = 2\nvalue = [0, 2, 0]"] ;

9 -> 10 ;

11 [label="gini = 0.0\nsamples = 1\nvalue = [0, 0, 1]"] ;

9 -> 11 ;

12 [label="X[2] <= 4.85\ngini = 0.054\nsamples = 36\nvalue = [0, 1, 35]"] ;

2 -> 12 ;

13 [label="X[1] <= 3.1\ngini = 0.4444\nsamples = 3\nvalue = [0, 1, 2]"] ;

12 -> 13 ;

14 [label="gini = 0.0\nsamples = 2\nvalue = [0, 0, 2]"] ;

13 -> 14 ;

15 [label="gini = 0.0\nsamples = 1\nvalue = [0, 1, 0]"] ;

13 -> 15 ;

16 [label="gini = 0.0\nsamples = 33\nvalue = [0, 0, 33]"] ;

12 -> 16 ;

}

想生成如下图，希望后面能修改。也可以进入shell下输入命令：

[python] view
plain copy







$ sudo apt-get install graphviz

$ dot -Tpng iris.dot -o tree.png # 生成png图片

$ dot -Tpdf iris.dot -o tree.pdf # 生成pdf



最后文章对你有所帮助，上课内容还需要继续探索，但enjoy myself~

(By:Eastmount 2016-10-15 中午1点半 http://blog.csdn.net/eastmount/ )