机器学习训练营——机器学习爱好者的自由交流空间(qq 群号:696721295)
回归
使用类DecisionTreeRegressor
, 决策树可以应用于回归问题。fit方法取输入数组X, y, 这里的y取浮点值而不是分类的整值。
from sklearn import tree
X = [[0, 0], [2, 2]]
y = [0.5, 2.5]
clf = tree.DecisionTreeRegressor()
clf = clf.fit(X, y)
clf.predict([[1, 1]])
复杂度
通常,构建一棵平衡的二值树的运行时间代价是 , 查询时间是 . 尽管建树算法试图产生平衡的树,但结果树并不总是平衡的。假设子树维持大致的平衡,在每一个节点的代价包括搜遍 到找到提供最大熵减少量的特征。在每个节点的代价 , 这样,加和所有节点的代价得到整棵树的总的代价是 .
Scikit-learn提供了更加有效的决策树构建执行。一个naive执行是,重新计算类标签直方图(分类问题),或者沿着一个给定的特征,在每个新分割点的均值(回归问题)。在所有相关的样本上预先排序特征,保持一个运行标签计数,将减少每个节点的复杂度到 , 这样,整个代价是 . 这是一个基于所有树算法的选项。
实际使用提示
对于包括大量特征的数据,决策树容易过度拟合数据。得到样本与特征的比率是重要的,因为高维空间、小样本的树很容易是过度拟合的。
在建树前可以考虑作特征降维(PCA, ICA, 特征选择)。
使用export函数可视化树,使用参数max_depth=3作为一个初始的树深度,对树拟合数据的程度有一个初步的感觉,然后再增加树深。使用max_depth控制树的规模,避免过度拟合。
使用min_samples_split or min_samples_leaf控制每个叶子节点的样本数。样本量太少通常意味着过度拟合,而样本量太大会抑制树从数据学习。试设min_samples_leaf=5作为初始值,如果样本量变化很大,一个浮点数可以作为这两个参数的百分比。它们之间的区别是,min_samples_leaf保证了在叶子的最小样本量,而min_samples_split能产生任意小的叶子,min_samples_split在文献里是更普遍使用的。
在训练前平衡你的数据集,避免树偏向于占支配地位的类。类平衡可以通过从每个类中抽取等量的样本实现,更好的做法是,规范化每一个类的样本权和到相同的值。
如果样本加权了,那么,使用基于权的预修剪准则,例如,min_weight_fraction_leaf, 更容易优化树结构。
所有的树都使用了np.float32数组。如果训练数据并不是这种格式,将作一个数据集拷贝。
如果输入矩阵X是稀疏的,建议拟合前转换到稀疏的csc_matrix, 预测前转换到稀疏的csr_matrix. 当特征在大多数样本里是0时,在稀疏输入矩阵上的训练时间要更快一些。
树算法
ID3(Iterative Dichotomiser 3)算法产生一棵多叉树,在每一个节点寻找产生类目标的最大信息增益的类特征。树生长到最大的规模,然后通常应用一个修剪步,改善树的预测能力。
C4.5算法是ID3算法的继承,去掉了对特征必须是类别的限制。它根据数值变量,动态地定义一个离散属性,用来分割连续属性值为一个离散的区间集。C4.5转换训练树(即,ID3算法的输出)为if-then规则集。随后,评价每一个规则的准确性,以此确定规则应用的顺序。
C5.0算法是C4.5的升级版,它使用更少的内存,创建更少的规则,而保持更高的准确性。
CART(Classification and Regression Trees)算法类似于C4.5, 区别在于它支持数值目标变量(回归),并不计算规则集。CART使用特征和阈值创建二值树,阈值在每一个节点产生最大信息增益。scikit-learn实际使用的是一个CART算法的优化版本。
数学原理
给定训练向量 , . 标签向量 , 一棵决策树递归地分割空间,使得具有相同标签的样本被分到一起。
令 表示节点 的数据。对于每一个候选分割 , 表示特征, 表示分割数据 为 , 子集的阈值。其中,
使用非纯度函数
计算
点的不纯度(impurity),
的选择依赖于要解决的问题的性质(分类还是回归)。
选择使不纯度最小的参数
在子集 上递归,直到达到最大允许深度, 或者 .
分类原则
如果目标是在
上取值的分类结果。对于节点
,
表示具有
个观测的区域,令
是节点 处属于类 的观测比例。
表示不纯度,普遍采用的是
- Gini
- 交叉熵
- 错分
这里, 是节点 的训练数据。
回归原则
如果目标变量是连续的,那么对于节点 , 表示具有 个观测的区域,确定下一步分割的普遍原则是,最小化均方误差(Mean Squared Error), 即,使用终点的均值,最小化L2误差。或者最小化平均绝对误差(Mean Absolute Error), 即,使用终点的中位数值,最小化L1误差。
- 均方误差
- 平均绝对误差
这里, 是节点 处的训练数据。
阅读更多精彩内容,请关注微信公众号:统计学习与大数据