决策树和随机森林用 python treeinterpreter实现

转载请注来自链接：http://blog.csdn.net/u010986080/article/details/78571465

示例说明

这个博客深入到决策树和随机森林的基础上，以便更好地解释它们。

在过去的几年中，随机森林是一种新兴的机器学习技术。它是一种基于非线性树的模型，可以提供精确的结果。然而，大多是黑箱，通常很难解释和充分理解。在本文中，我们将深入了解随机森林的基本知识，以便更好地掌握它们。首先从决策树开始。

编译环境是 jupyter notebook， 可以通过安装 Anaconda，导入 scikit-learn 库(sklearn 安装)可以很容易实现，另外要用到 treeinterpreter ，用到的数据集为 abalone 数据集，本文的 github示例代码。其中代码为

Decision_Tree_and_Random_Forest.ipynb

，在

tree_interp_functions.py

中有很多 plot 函数。

概述

Decision_Tree_and_Random_Forest.ipynb

代码中主要分为两个部分

* 决策树

* 随机森林

用到的数据集 abalone，其中

Rings

是预测值：要么作为连续值，要么作为分类值。具体为：

名称	数据类型	单位	描述
Sex	nominal	–	M, F, and I (infant)
Length	continuous	mm	Longest shell measurement
Diameter(直径)	continuous	mm	perpendicular to length
Height	continuous	mm	with meat in shell
Whole weight	continuous	grams	whole abalone
Shucked weight(去壳重)	continuous	grams	weight of meat
Viscera weight(内脏重)	continuous	grams	gut weight (after bleeding)
Shell weight(壳重)	continuous	grams	after being dried
Rings(预测值)	integer	–	+1.5 gives the age in years

首先 import 各种库

from __future__ import division

from IPython.display import Image, display
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns
from sklearn.datasets import make_moons
from sklearn.ensemble import RandomForestClassifier, RandomForestRegressor
from sklearn.metrics import roc_auc_score
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier, DecisionTreeRegressor,\
export_graphviz
from treeinterpreter import treeinterpreter as ti
import pydotplus

from tree_interp_functions import *

设置 matplotlib，设置 seaborn 颜色

# Set default matplotlib settings
plt.rcParams['figure.figsize'] = (10, 7)
plt.rcParams['lines.linewidth'] = 3
plt.rcParams['figure.titlesize'] = 26
plt.rcParams['axes.labelsize'] = 18
plt.rcParams['axes.titlesize'] = 22
plt.rcParams['xtick.labelsize'] = 14
plt.rcParams['ytick.labelsize'] = 14
plt.rcParams['legend.fontsize'] = 16

# Set seaborn colours
sns.set_style('darkgrid')
sns.set_palette('colorblind')
blue, green, red, purple, yellow, cyan = sns.color_palette('colorblind')

Section 1: 决策树

决策树通过以贪婪的方式迭代地将数据分成不同的子集。对于回归树，是最小化所有子集中的 MSE（均方误差）或 MAE（平均绝对误差）来选择。对于分类树，通过最小化生成子集中的熵或 Gini 来决定分类。由此产生的分类器将特征空间分隔成不同的子集。分别设置深度为 1，2，5，10.

light_blue, dark_blue, light_green, dark_green, light_red, dark_red = sns.color_palette('Paired')
x, z = make_moons(noise=0.20, random_state=5)
df = pd.DataFrame({'z': z,
'x': x[:, 0],
'y': x[:, 1]
})

md_list = [1, 2, 5, 10]
fig, ax = plt.subplots(2, 2)

fig.set_figheight(10)
fig.set_figwidth(10)
for i in xrange(len(md_list)):
md = md_list[i]
ix_0 = int(np.floor(i/2))
ix_1 = i%2

circle_dt_clf = DecisionTreeClassifier(max_depth=md, random_state=0)
circle_dt_clf.fit(df[['x', 'y']], df['z'])

xx, yy = np.meshgrid(np.linspace(df.x.min() - 0.5, df.x.max() + 0.5, 50),
np.linspace(df.y.min() - 0.5, df.y.max() + 0.5, 50))
z_pred = circle_dt_clf.predict(zip(xx.reshape(-1), yy.reshape(-1)))
z_pred = np.array([int(j) for j in z_pred.reshape(-1)])\
.reshape(len(xx), len(yy))

ax[ix_0, ix_1].contourf(xx, yy, z_pred, cmap=plt.get_cmap('GnBu'))

df.query('z == 0').plot('x', 'y', kind='scatter',
s=40, c=green, ax=ax[ix_0, ix_1])
df.query('z == 1').plot('x', 'y', kind='scatter',
s=40, c=light_blue, ax=ax[ix_0, ix_1])

ax[ix_0, ix_1].set_title('Max Depth: {}'.format(md))
ax[ix_0, ix_1].set_xticks([], [])
ax[ix_0, ix_1].set_yticks([], [])
ax[ix_0, ix_1].set_xlabel('')
ax[ix_0, ix_1].set_ylabel('')

plt.tight_layout()
plt.savefig('plots/dt_iterations.png')

导入 abalone 数据。 展示决策树和随机森林回归以及分类如何工作的。我们使用

Rings

变量作为连续变量，并从中创建一个二进制变量来表示

Rings

。

column_names = ["sex", "length", "diameter", "height", "whole weight",
"shucked weight", "viscera weight", "shell weight", "rings"]
abalone_df = pd.read_csv('abalone.csv', names=column_names)
abalone_df['sex'] = abalone_df['sex'].map({'F': 0, 'M': 1, 'I': 2})
abalone_df['y'] = abalone_df.rings.map(lambda x: 1 if x > 9 else 0)
abalone_df.head()

将数据集分为 train 和 test。

abalone_train, abalone_test = train_test_split(abalone_df, test_size=0.2,
random_state=0)

X_train = abalone_train.drop(['sex', 'rings', 'y'], axis=1)
y_train_bin_clf = abalone_train.y
y_train_multi_clf = abalone_train.sex
y_train_reg = abalone_train.rings

X_test = abalone_test.drop(['sex', 'rings', 'y'], axis=1)
y_test_bin_clf = abalone_test.y
y_test_multi_clf = abalone_test.sex
y_test_reg = abalone_test.rings

X_train = X_train.copy().reset_index(drop=True)
y_train_bin_clf = y_train_bin_clf.copy().reset_index(drop=True)
y_train_multi_clf = y_train_multi_clf.copy().reset_index(drop=True)
y_train_reg = y_train_reg.copy().reset_index(drop=True)

X_test = X_test.copy().reset_index(drop=True)
y_test_bin_clf = y_test_bin_clf.copy().reset_index(drop=True)
y_test_multi_clf = y_test_multi_clf.copy().reset_index(drop=True)
y_test_reg = y_test_reg.copy().reset_index(drop=True)

创建简单的决策树和随机森林模型，可以设置决策树的深度来看 interpretation 的用法。

dt_bin_clf = DecisionTreeClassifier(criterion='entropy', max_depth=3, random_state=0)
dt_bin_clf.fit(X_train, y_train_bin_clf)

dt_multi_clf = DecisionTreeClassifier(criterion='entropy', max_depth=2, random_state=0)
dt_multi_clf.fit(X_train, y_train_multi_clf)

dt_reg = DecisionTreeRegressor(criterion='mse', max_depth=3, random_state=0)
dt_reg.fit(X_train, y_train_reg)

rf_bin_clf = RandomForestClassifier(criterion='entropy', max_depth=10, n_estimators=100, random_state=0)
rf_bin_clf.fit(X_train, y_train_bin_clf)

rf_multi_clf = RandomForestClassifier(criterion='entropy', max_depth=10,  n_estimators=100, random_state=0)
rf_multi_clf.fit(X_train, y_train_multi_clf)

rf_reg = RandomForestRegressor(criterion='mse', max_depth=10,  n_estimators=100, random_state=0)
rf_reg.fit(X_train, y_train_reg)

创建特征贡献值，用

ti.predict

可以得到预测值，偏差项和贡献值. 贡献值矩阵是一个 3D 数组，由每个样本的贡献值，特征和分类标签组成。

dt_bin_clf_pred, dt_bin_clf_bias, dt_bin_clf_contrib = ti.predict(dt_bin_clf, X_test)
rf_bin_clf_pred, rf_bin_clf_bias, rf_bin_clf_contrib = ti.predict(rf_bin_clf, X_test)

dt_multi_clf_pred, dt_multi_clf_bias, dt_multi_clf_contrib = ti.predict(dt_multi_clf, X_test)
rf_multi_clf_pred, rf_multi_clf_bias, rf_multi_clf_contrib = ti.predict(rf_multi_clf, X_test)

dt_reg_pred, dt_reg_bias, dt_reg_contrib = ti.predict(dt_reg, X_test)
rf_reg_pred, rf_reg_bias, rf_reg_contrib = ti.predict(rf_reg, X_test)

可视化决策树，利用

graphviz

可视化决策树。可以显示到每个叶子节点的路径以及每个节点分类的比例。

reg_dot_data = export_graphviz(dt_reg,
out_file=None,
feature_names=X_train.columns
)
reg_graph = pydotplus.graph_from_dot_data(reg_dot_data)
reg_graph.write_png('plots/reg_dt_path.png')
Image(reg_graph.create_png())

为了预测鲍鱼的年轮数，决策树将沿着树向下移动，直到它到达一片树叶。每一步将当前子集拆分为两个子集。对于每次分裂，

Rings

均值变化定义为变量的贡献值，决定怎么分裂。

变量

dt_reg

是 sklearn 分类器目标值，

x_test

表示 Pandas 或 NumPy 数组，包含我们希望得到的预测和贡献值的特征变量。贡献值变量

dt_reg_contrib

是一个 2D NumPy数组（n_obs，n_features），其中

n_obs

观测数，

n_features

是特征的数量。绘制一个给定鲍鱼的各特征的贡献值，看看哪些特征最影响其预测值。从下面的图中可以看出，这种特定的鲍鱼的重量和长度值对其预测的

Rings

有负面影响。

# Find abalones that are in the left-most leaf
X_test[(X_test['shell weight'] <= 0.0587) & (X_test['length'] <= 0.2625)].head()
df, true_label, pred = plot_obs_feature_contrib(dt_reg,
dt_reg_contrib,
X_test,
y_test_reg,
3,
order_by='contribution'
)
plt.tight_layout()
plt.savefig('plots/contribution_plot_dt_reg.png')

可以用 violin 画出这个特定鲍鱼与整个种群的各变量贡献值比较，下图中，可以看出这个特定鲍鱼壳重相较其他相比异常低，事实上，大部分鲍鱼的壳重对应一个正的贡献值。

df, true_label, score = plot_obs_feature_contrib(dt_reg,
dt_reg_contrib,
X_test,
y_test_reg,
3,
order_by='contribution',
violin=True
)
plt.tight_layout()
plt.savefig('plots/contribution_plot_violin_dt_reg.png')

以上的描述并没有对一个特定的变量如何影响鲍鱼的

Rings

有一个全面的解释。因此，我们可以根据一个特定特征的值绘制给它的贡献值。如果把壳重与它的贡献值进行比较，我们就可以看出随着壳重增加其贡献值增加。

plot_single_feat_contrib('shell weight', dt_reg_contrib, X_test, class_index=1)
plt.savefig('plots/shell_weight_contribution_dt.png')

再来看看去壳重这个变量的贡献值具有非线性、非单调的特点。低的去壳重没有贡献，高的去壳重具有负的的贡献，而在低和高之间具有正的贡献。

plot_single_feat_contrib('shucked weight', dt_reg_contrib, X_test, class_index=1)
plt.savefig('plots/shucked_weight_contribution_dt.png')

Section 2: 扩展到随机森林

以上的过程都可以扩展到随机森林，看看变量在森林中所有树的平均贡献。

df, true_label, pred = plot_obs_feature_contrib(rf_reg,
rf_reg_contrib,
X_test,
y_test_reg,
3,
order_by='contribution'
)
plt.tight_layout()
plt.savefig('plots/contribution_plot_rf.png')

df = plot_obs_feature_contrib(rf_reg,
rf_reg_contrib,
X_test,
y_test_reg,
3,
order_by='contribution',
violin=True
)
plt.tight_layout()
plt.savefig('plots/contribution_plot_violin_rf.png')

由于随机森林本质上是随机的，对于给定的壳重下的贡献具有可变性。然而，平滑的黑色趋势线仍显示出增长的趋势。与决策树一样，我们看到壳重增加对应于较高的贡献

plot_single_feat_contrib('shell weight', rf_reg_contrib, X_test,
class_index=1, add_smooth=True, frac=0.3)
plt.savefig('plots/shell_weight_contribution_rf.png')

再看看 直径 这个变量，我们具有复杂的、非单调的特点。直径似乎在贡献约0.45下降，在0.3和0.6左右的贡献高峰。除此之外，直径与目标变量

Rings

似乎具有普遍的正相关关系。

plot_single_feat_contrib('diameter', rf_reg_contrib, X_test,
class_index=1, add_smooth=True, frac=0.3)
plt.savefig('plots/diameter_contribution_rf.png')

再看看其他变量

plot_single_feat_contrib('shucked weight', rf_reg_contrib, X_test,
class_index=1, add_smooth=True, frac=0.3)
plt.savefig('plots/shucked_weight_contribution_rf.png')

如果按照性别来分类 分为 male，female，infant，可以画出每一类的贡献，比如说 infant 这一类

df, true_label, scores = plot_obs_feature_contrib(dt_multi_clf,
dt_multi_clf_contrib,
X_test,
y_test_multi_clf,
3,
class_index=2,
order_by='contribution',
violin=True
)
true_value_list = ['Female', 'Male', 'Infant']
score_dict = zip(true_value_list, scores)
title = 'Contributions for Infant Class\nTrue Value: {}\nScores: {}'.format(true_value_list[true_label],
', '.join(['{} - {}'.format(i, j) for i, j in score_dict]))
plt.title(title)
plt.tight_layout()
plt.savefig('plots/contribution_plot_violin_multi_clf_dt.png')

像之前的一样，我们还可以为每个类特征和贡献值的对应图。对于是雌性的鲍鱼，贡献随壳重的增加而增加，而对 infant 的鲍鱼，其贡献随壳重增加而减小。对雄性来说，当壳重超过0.5时，贡献开始增加，然后减少。

fig, ax = plt.subplots(1, 3, sharey=True)
fig.set_figwidth(20)

for i in xrange(3):
plot_single_feat_contrib('shell weight', rf_multi_clf_contrib, X_test,
class_index=i, class_name=class_names[i],
add_smooth=True, c=colours[i], ax=ax[i])

plt.tight_layout()
plt.savefig('plots/shell_weight_contribution_by_sex_rf.png')

关于随机森林的总结:

随机森林是一个并行的，典型的高性能的机器学习模型。为了满足的客户的业务需求，我们不仅要提供一个高度预测模型，而且要模型也可以解释。也就是说，不是给他们一个黑盒子，不管模型表现得有多好。特别是对于政府或者金融界的客户。

依赖的 packages

matplotlib

pandas

numpy

seaborn

treeinterpreter

欢迎关注

Github：https://github.com/youngxiao

Email： yxiao2048@gmail.com or yxiao2017@163.com

Blog: https://youngxiao.github.io