構(gòu)建一個(gè)決策樹(shù)并查看它如何進(jìn)行預(yù)測(cè)

與支持向量機(jī)一樣，決策樹(shù)也是多功能的機(jī)器學(xué)習(xí)算法，既可以執(zhí)行分類任務(wù)，也可以執(zhí)行回歸任務(wù)，甚至可以執(zhí)行多輸出任務(wù)。 它們是非常強(qiáng)大的算法，能夠完美契合復(fù)雜的數(shù)據(jù)集。 例如，在第 2 章中，我們?cè)诩永Ｄ醽喿》繑?shù)據(jù)集上訓(xùn)練了一個(gè) DecisionTreeRegressor 模型，并對(duì)其進(jìn)行了完美擬合（實(shí)際上是對(duì)其進(jìn)行過(guò)度擬合）。 決策樹(shù)也是隨機(jī)森林的基本組成部分（參見(jiàn)第 7 章），它是當(dāng)今最強(qiáng)大的機(jī)器學(xué)習(xí)算法之一。 在本章中，我們將首先討論如何使用決策樹(shù)進(jìn)行訓(xùn)練，可視化和預(yù)測(cè)。 然后快速過(guò)一遍 Scikit-Learn 中使用的 CART 訓(xùn)練算法，并且討論如何調(diào)整樹(shù)并將其用于回歸任務(wù)。 最后，我們會(huì)討論決策樹(shù)的一些局限性。

訓(xùn)練和可視化決策樹(shù)

為了理解決策樹(shù)，我們只需構(gòu)建一個(gè)決策樹(shù)并查看它如何進(jìn)行預(yù)測(cè)。 以下代碼在鳶尾屬植物數(shù)據(jù)集上訓(xùn)練決策樹(shù)分類器（請(qǐng)參閱第4章）：

from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier iris = load_iris() X = iris.data[:, 2:] # petal length and width y = iris.target tree_clf = DecisionTreeClassifier(max_depth=2) tree_clf.fit(X, y)

首先，我們可以通過(guò)使用 export_graphviz() 方法輸出一個(gè)名為 iris_tree.dot 的圖形定義文件來(lái)可視化已訓(xùn)練出來(lái)的決策樹(shù)：

from sklearn.tree import export_graphviz export_graphviz( tree_clf, out_file=image_path("iris_tree.dot"), feature_names=iris.feature_names[2:], class_names=iris.target_names, rounded=True, filled=True )

然后，w我們可以使用 graphviz 軟件包中的 dot 命令行工具將此 .dot 文件轉(zhuǎn)換為各種格式，例如 PDF 或 PNG 。下面的命令行將 .dot 文件轉(zhuǎn)換為 .png 圖像文件：

$ dot -Tpng iris_tree.dot -o iris_tree.png

我們的第一個(gè)決策樹(shù)如圖6-1所示。

預(yù)測(cè)

讓我們看看圖 6-1 中所呈現(xiàn)的樹(shù)如何進(jìn)行預(yù)測(cè)。假設(shè)我們找到了一種鳶尾花，并且想對(duì)它進(jìn)行分類。我們從根節(jié)點(diǎn)開(kāi)始（深度0，頂部）：該節(jié)點(diǎn)詢問(wèn)花朵的花瓣長(zhǎng)度是否小于2.45厘米。如果是，則向下移動(dòng)到根的左側(cè)子節(jié)點(diǎn)（深度1，左側(cè)）。在這種情況下，它是一個(gè)葉子節(jié)點(diǎn)（即它沒(méi)有任何子節(jié)點(diǎn)），所以它不會(huì)提出任何問(wèn)題：我們可以簡(jiǎn)單地查看該節(jié)點(diǎn)的預(yù)測(cè)類，決策樹(shù)預(yù)測(cè)我們的花是一個(gè)Iris-Setosa（class = setosa）。 現(xiàn)在假設(shè)你找到另一朵花，但這次花瓣長(zhǎng)度大于2.45厘米。我們必須向下移動(dòng)到根節(jié)點(diǎn)的右側(cè)（深度1，右側(cè)），這不是葉子節(jié)點(diǎn)，因此它會(huì)提出另一個(gè)問(wèn)題：花瓣寬度是否小于1.75厘米？如果是這樣，那么我們的花很可能是一個(gè) Iris-Versicolor（深度 2，左）。如果不是，它可能是一個(gè) Iris-Virginica（深度 2，右）。就是這么簡(jiǎn)單。

決策樹(shù)的許多特質(zhì)之一是它們只需很少的數(shù)據(jù)準(zhǔn)備。 特別是，它們不需要特征縮放或居中。

每個(gè)節(jié)點(diǎn)的樣本屬性計(jì)算它應(yīng)用于的訓(xùn)練實(shí)例的數(shù)量。 例如，100 個(gè)訓(xùn)練樣本的花瓣長(zhǎng)度大于 2.45 厘米（深度1，右側(cè)），其中 54 個(gè)花瓣寬度小于 1.75 厘米（深度2，左側(cè)）。 節(jié)點(diǎn)的值屬性告訴您此節(jié)點(diǎn)適用的每個(gè)類的訓(xùn)練實(shí)例數(shù)量：例如，右下角節(jié)點(diǎn)適用于 0 Iris-Setosa，1 Iris-Versicolor和 45 Iris-Virginica。 最后，節(jié)點(diǎn)的 gini 屬性測(cè)量它的雜質(zhì)：如果它適用的所有訓(xùn)練實(shí)例屬于同一個(gè)類，則節(jié)點(diǎn)是“純的”（gini = 0）。 例如，由于深度 1 左節(jié)點(diǎn)僅適用于 Iris-Setosa 訓(xùn)練實(shí)例，因此它是純的，其基尼分?jǐn)?shù)為 0。等式 6-1 顯示訓(xùn)練算法如何計(jì)算出第 i 個(gè)節(jié)點(diǎn)的 gini 分?jǐn)?shù)Gi。 例如，深度 2 左節(jié)點(diǎn)的基尼分?jǐn)?shù)等于

接下來(lái)討論另一種純度測(cè)量方法。

? 其中 p_{i,k} 是第 i 個(gè)節(jié)點(diǎn)中訓(xùn)練實(shí)例之間的 k 類實(shí)例的比率。

Scikit-Learn使用只生成二叉樹(shù)的CART算法：非葉節(jié)點(diǎn)總是有兩個(gè)孩子（即問(wèn)題只有yes / no的答案）。 但是，其他算法（如ID3）生成的決策樹(shù)，可以具有兩個(gè)以上孩子的節(jié)點(diǎn)。

圖 6-2 顯示了決策樹(shù)的決策邊界。 粗的垂直線代表根節(jié)點(diǎn)（深度 0 ）的決定邊界：花瓣長(zhǎng)度 = 2.45厘米。 由于左側(cè)區(qū)域是純粹的（只有Iris-Setosa），所以不能再進(jìn)一步分割。 然而，右側(cè)區(qū)域不純，所以深度 1 右節(jié)點(diǎn)在花瓣寬度 = 1.75厘米（用虛線表示）分裂。 由于 max_depth 設(shè)置為 2，因此決策樹(shù)在此處停止。 但是，如果將max_depth設(shè)置為3，那么兩個(gè)深度 2 節(jié)點(diǎn)將分別添加另一個(gè)決策邊界（用虛線表示）。

模型解讀：白盒與黑盒

正如你所看到的，決策樹(shù)非常直觀，他們的決策很容易解釋。 這種模型通常被稱為白盒模型。 相反，正如我們將看到的，隨機(jī)森林或神經(jīng)網(wǎng)絡(luò)通常被認(rèn)為是黑匣子模型。 他們做出了很好的預(yù)測(cè)，并且我們可以輕松檢查他們執(zhí)行的計(jì)算以進(jìn)行這些預(yù)測(cè); 然而，通常很難用簡(jiǎn)單的術(shù)語(yǔ)來(lái)解釋為什么會(huì)做出預(yù)測(cè)。 例如，如果一個(gè)神經(jīng)網(wǎng)絡(luò)表示一個(gè)特定的人出現(xiàn)在圖片上，很難知道究竟是什么促成了這個(gè)預(yù)測(cè)：模型是否認(rèn)出了這個(gè)人的眼睛？ 她的嘴？ 她的鼻子？ 她的鞋子？ 或者甚至坐在沙發(fā)上？ 相反，決策樹(shù)提供了好且簡(jiǎn)單的分類規(guī)則，甚至可以根據(jù)需要手動(dòng)調(diào)參（例如，用于花卉分類）。

估計(jì)屬于各類的概率

決策樹(shù)還可以估計(jì)實(shí)例屬于特定類 k 的概率：首先遍歷樹(shù)來(lái)找到此實(shí)例的葉子節(jié)點(diǎn)，然后返回該節(jié)點(diǎn)中類 k 的訓(xùn)練實(shí)例的比率。 例如，假設(shè)你已經(jīng)找到一朵花長(zhǎng) 5厘米，寬 1.5 厘米的花朵。 相應(yīng)的葉子節(jié)點(diǎn)是深度為 2 的左節(jié)點(diǎn)，因此決策樹(shù)應(yīng)該輸出以下概率：Iris-Setosa（0/54）為 0％，Iris-Versicolor為 (49/54)，即 90.7％， Iris-Virginica (5/54)，即 9.3 ％。 當(dāng)然，如果你讓它預(yù)測(cè)類別，它應(yīng)該輸出Iris-Versicolor（類別 1），因?yàn)樗哂凶罡叩母怕省?讓我們來(lái)檢查一下：

>>> tree_clf.predict_proba([[5, 1.5]]) array([[ 0. , 0.90740741, 0.09259259]]) >>> tree_clf.predict([[5, 1.5]]) array([1])

完美！ 請(qǐng)注意，估計(jì)的概率在圖 6-2 的右下方矩形的其他任何地方都是相同的，比如說(shuō)花瓣長(zhǎng) 6 厘米，寬 1.5 厘米（盡管在這種情況下很明顯它更有可能是 Iris -Virginica）。