系列文章目录

1. 机器学习实验一：线性回归
2. 机器学习实验二：决策树模型
3. 机器学习实验三：支持向量机模型
4. 机器学习实验四：贝叶斯分类器
5. 机器学习实验五：集成学习
6. 机器学习实验六：聚类

---

---

一、实验目的

（1）了解 pandas 和 sklearn 数据科学库功能；
（2）掌握决策树原理，包括划分选择中三种经典指标信息增益、增益率和基尼
指数的优缺点；
（3）掌握剪枝处理方法及作用；
（4）学会通过精确率、召回率和 F1 值度量模型性能。

二、实验原理

决策树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过
程，由节点和有向边组成，结点有 2 种结构：内部节点表示一个特征或属性，叶
节点表示一个类别。它可以认为是 if-then 规则的集合，也可以认为是定义在特
征空间与类空间上的条件概率分布。
学习时，利用训练数据根据损失函数最小化的原则建立决策树模型。预测时，
对新的数据，利用决策树模型进行分类。决策树学习通常包括 3 个步骤：特征选
择、决策树的生成和决策树的修剪。

三、实验内容

使用 Python 读取数据集信息并利用 sklearn 训练决策树模型，随后使用生
成的决策树实现分类预测，调整决策树划分方法及剪枝方法，并根据精确率、召
回率和 F1 值度量模型性能。
（1）实验数据介绍
实验数据为来自 UCI 的鸢尾花三分类数据集 Iris Plants Database。
数据集共包含 150 组数据，分为 3 类，每类 50 组数据。每组数据包括 4 个
参数和 1 个分类标签，4 个参数分别为：萼片长度 sepal length、萼片宽度 sepal
width、花瓣长度 petal length、花瓣宽度 petal width，单位均为厘米。分类
标签共有三种，分别为 Iris Setosa、Iris Versicolour 和 Iris Virginica。
数据集格式如下图所示：
为方便使用，也可以直接调用 sklearn.datasets 库中提供的 load_iris()
方法加载处理过的鸢尾花分类数据集。
（2）评价指标介绍
评价指标选择精确率 P、召回率 R、F1 度量值 F1。
具体代码实现时，可以直接调用 sklearn 库中的相应方法进行计算。

四、实验步骤

1.数据集引入及分割

将数据集按 2/3 训练集，1/3 测试集的比例进行随机分割。代码如下：

X = iris.data
y = iris.target
X_train,X_test,y_train,y_test = 
train_test_split(X,y,test_size=1/3,random_state=0)
print(' 数 据 集 样 本 数 ： {}, 训 练 样 本 数 ： {}, 测 试 集 样 本 数 ：
{}'.format(len(X),len(X_train),len(X_test)))

2. 训练决策树

利 用 sklearn 提供的 DecisionTreeClassifier() 方 法 构 造 决 策 树 ，
DecisionTreeClassifier()方法的常用参数如下：
划分准则 criterion，可选：基尼指数 gini、信息增益 entropy、对数损失
log_loss，默认 gini；
最大树深度 max_depth，整数型，默认为不限制；
最大叶节点数 max_leaf_nodes，整数型，默认为不限制；
最大代价复杂度 ccp_alphat，非负浮点型，默认为 0.0。
我们这里分别利用三种不同的划分准则，以 4 为最大深度对树进行前剪枝。
以使用基尼指数的决策树为例，训练并查看树结构，代码如下：

gini_model = 
DecisionTreeClassifier(criterion='gini',max_depth=4,splitter='best')
gini_model.fit(X_train,y_train)
gini_y_pred = gini_model.predict(X_test)
tree.plot_tree(gini_model)
plt.show()

可以得到对应的树结构。可以看到，排除根节点，这棵决策树为 4 层的二叉
树，这也符合基尼指数划分方法的特点。计算该树的精确率、召回率和 F1 度量
值。
继续训练其他两种划分方式，在同等预剪枝条件下，对于信息增益 Entropy
方式划分，可以得到对应的决策树。
对于对数损失 log_loss 方式划分，能得到对应的决策树和性能结果。

3. 利用 CCP 进行后剪枝

CCP（Cost Complexity Pruning）为代价复杂度剪枝法，核心思想为在树构
建完成后，对树进行剪枝简化，使以下损失函数最小化：

其中，T 为叶子节点个数，N 为所有样本个数，N_i 为第 i 个叶子节点上的
样本数，L_i 为第 i 个叶子节点的损失函数，α为待定系数，用于确定惩罚节点
个数，引导模型用更少的节点。
具体操作中，首先使用 cost_complexity_pruning_path()方法需要计算树
的 CCP 路径，得到 alpha 与树纯度的关系，具体代码如下：

pruning_path = gini_model.cost_complexity_pruning_path(X_train, y_train)
print("ccp_alphas:",pruning_path['ccp_alphas'])
print("impurities:",pruning_path['impurities'])

总结

以上就是今天要讲的内容，机器学习实验二：决策树模型