决策树（Decision Tree）是一种非参数的有监督学习方法，它能够从一系列有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现这些规则，以解决分类和回归问题。决策树算法容易理解，适用各种数据，在解决各种问题时都有良好表现，尤其是以树模型为核心的各种集成算法，在各个行业和领域都有广泛的应用
决策树算法的本质是一种图结构

关键概念：

• 根节点：没有进边，有出边。包含最初的，针对特征的提问。
  
• 中间节点：既有进边也有出边，进边只有一条，出边可以有很多条。都是针对特征的提问。
• 叶子节点：有进边，没有出边，每个叶子节点都是一个类别标签
  

ps:子节点和父节点：在两个相连的节点中，更接近根节点的是父节点，另一个是子节点

决策树的基本流程:
计算全部特征的不纯度指标-->选取不纯度指标最优的特征来分枝-->在第一个特征的分枝下，计算全部特征的不纯度指标-->选取不纯度最优的特征继续分支……
直到没有更多的特征可用，或整体的不纯度已经最优，决策树就会停止生长。

决策树算法的核心是要解决两个问题:

1. 如何从数据表中找出最佳节点和最佳分枝
2. 如何让决策树停止生长，防止过拟合

sklearn中的决策树

• 模块sklearn.tree，包含的5个类：

一、 分类树

class sklearn.tree.DecisionTreeClassifier (criterion=’gini’, splitter=’best’, max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None, class_weight=None, presort=False)

详见：https://scikit-learn.org.cn/view/784.html

1. 重要参数

1.1 criterion

决策树需要找出最佳节点和最佳的分枝方法，对分类树来说，衡量这个“最佳”的指标叫做“不纯度”。通常来说，不纯度越低，决策树对训练集的拟合越好。现在使用的决策树算法在分枝方法上的核心大多是围绕在对某个不纯度相关指标的最优化上
不纯度基于节点来计算，树中的每个节点都会有一个不纯度，并且子节点的不纯度一定是低于父节点的，也就是说，在同一棵决策树上，叶子节点的不纯度一定是最低的

criterion的计算方法:

• 方法一：输入"entropy"，使用信息熵(Entropy)
  $Entropy(t)=-{\sum }_{i=0}^{c-1}p(i\mathrm{\mid }t)\mathrm{/}lo{g}_{2}p(i\mathrm{\mid }t)Entropy(t)=-\backslash sum\_\{i=0\}^\{c-1\}p(i|t)/log\_2\; p(i|t)$
• 方法二：输入"gini",使用基尼系数(Gini Impurity)
  $Gini(t)=1-{\sum }_{i=0}^{c-1}p(i\mathrm{\mid }t{)}^{2}Gini(t)=1-\backslash sum\_\{i=0\}^\{c-1\}p(i|t)^2$
• 其中$tt$代表给定的节点，$ii$代表标签的任意分类，$p(i\mathrm{\mid }t)p(i|t)$代表标签分类$ii$在节点$tt$上所占的比例。

• 注：当使用信息熵时，sklearn实际计算的是基于信息熵的信息增益(Information Gain)，即父节点的信息熵和子节点的信息熵之差。
• 与基尼系数相比，信息熵对不纯度的惩罚最强。但是在实际使用中，信息熵和基尼系数的效果基本相同。信息熵的计算比基尼系数缓慢一些，因为基尼系数的计算不涉及对数。另外，因为信息熵对不纯度更加敏感，所以信息熵作为指标时，决策树的生长会更加“精细”，因此对于高维数据或者噪音很多的数据，信息熵很容易过拟合，基尼系数在这种情况下效果往往比较好。当模型拟合程度不足的时候，即当模型在训练集和测试集上都表 现不太好的时候，使用信息熵。当然，这些不是绝对的。

1.2 random_state & splitter

• random_state用来设置分枝中的随机模式的参数，默认None，在高维度时随机性会表现更明显，低维度的数据，随机性几乎不会显现。输入任意整数，会一直长出同一棵树，让模型稳定下来。
• splitter也是用来控制决策树中的随机选项的，有两种输入值，输入”best"，决策树在分枝时虽然随机，但是还是会优先选择更重要的特征进行分枝（重要性可以通过属feature_importances_查看），输入“random"，决策树在分枝时会更加随机，树会因为含有更多的不必要信息而更深更大，并因这些不必要信息而降低对训练集的拟合。这也是防止过拟合的一种方式。当你预测到你的模型会过拟合，用这两个参数来帮助你降低树建成之后过拟合的可能性。当然，树一旦建成，我们依然是使用剪枝参数来防止过拟合

1.3 剪枝参数

在不加限制的情况下，一棵决策树会生长到衡量不纯度的指标最优，或者没有更多的特征可用为止。这样的决策树往往会过拟合，这就是说，它会在训练集上表现很好，在测试集上却表现糟糕。我们收集的样本数据不可能和整体的状况完全一致，因此当一棵决策树对训练数据有了过于优秀的解释性，它找出的规则必然包含了训练样本中的噪声，并使它对未知数据的拟合程度不足。

• 为了让决策树有更好的泛化性，我们要对决策树进行剪枝。剪枝策略对决策树的影响巨大，正确的剪枝策略是优化决策树算法的核心。sklearn为我们提供了不同的剪枝策略：

• max_depth

• 限制树的最大深度，超过设定深度的树枝全部剪掉
• 这是用得最广泛的剪枝参数，在高维度低样本量时非常有效。决策树多生长一层，对样本量的需求会增加一倍，所以限制树深度能够有效地限制过拟合。在集成算法中也非常实用。实际使用时，建议从=3开始尝试，看看拟合的效果再决定是否增加设定深度。

• min_samples_leaf & min_samples_split

• min_samples_leaf限定，一个节点在分枝后的每个子节点都必须包含至少min_samples_leaf个训练样本，否则分枝就不会发生，或者，分枝会朝着满足每个子节点都包含min_samples_leaf个样本的方向去发生
  • 一般搭配max_depth使用，在回归树中有神奇的效果，可以让模型变得更加平滑。这个参数的数量设置得太小会引起过拟合，设置得太大就会阻止模型学习数据。一般来说，建议从=5开始使用。如果叶节点中含有的样本量变化大，建议输入浮点数作为样本量的百分比来使用。同时，这个参数可以保证每个叶子的最小尺寸，可以在回归问题中避免低方差，过拟合的叶子节点出现。对于类别不多的分类问题，=1通常就是最佳选择
• min_samples_split限定，一个节点必须要包含至少min_samples_split个训练样本，这个节点才允许被分枝，否则分枝就不会发生

• max_features & min_impurity_decrease

• 一般max_depth使用，用作树的"精修"
• max_features限制分枝时考虑的特征个数，超过限制个数的特征都会被舍弃。和max_depth异曲同工，max_features是用来限制高维度数据的过拟合的剪枝参数，但其方法比较暴力，是直接限制可以使用的特征数量而强行使决策树停下的参数，在不知道决策树中的各个特征的重要性的情况下，强行设定这个参数可能会导致模型学习不足。如果希望通过降维的方式防止过拟合，建议使用PCA，ICA或者特征选择模块中的降维算法。
• min_impurity_decrease限制信息增益的大小，信息增益小于设定数值的分枝不会发生

• 确定最优的剪枝参数

• 那具体怎么来确定每个参数填写什么值呢？这时候，我们就要使用确定超参数的曲线来进行判断了，继续使用我们已经训练好的决策树模型clf。超参数的学习曲线，是一条以超参数的取值为横坐标，模型的度量指标为纵坐标的曲线，它是用来衡量不同超参数取值下模型的表现的线。在我们建好的决策树里，我们的模型度量指标就是score。
• 无论如何，剪枝参数的默认值会让树无尽地生长，这些树在某些数据集上可能非常巨大，对内存的消耗也非常巨 大。所以如果你手中的数据集非常巨大，你已经预测到无论如何你都是要剪枝的，那提前设定这些参数来控制树的 复杂性和大小会比较好.

1.4 目标权重函数

• class_weight & min_weight_fraction_leaf

• class_weight:完成样本标签平衡的参数。样本不平衡是指在一组数据集中，标签的一类天生占有很大的比例。比如说，在银行要判断“一个办了信用卡的人是否会违约”，就是是vs否（1%：99%）的比例。这种分类状况下，即便模型什么也不做，全把结果预测成“否”，正确率也能有99%。因此我们要使用class_weight参数对样本标签进行一定的均衡，给少量的标签更多的权重，让模型更偏向少数类，向捕获少数类的方向建模。该参数默认None，此模式表示自动给与数据集中的所有标签相同的权重
• 有了权重之后，样本量就不再是单纯地记录数目，而是受输入的权重影响了，因此这时候剪枝，就需要搭配min_weight_fraction_leaf这个基于权重的剪枝参数来使用。另请注意，基于权重的剪枝参数（例如min_weight_fraction_leaf）将比不知道样本权重的标准（比如min_samples_leaf）更少偏向主导类。如果样本是加权的，则使用基于权重的预修剪标准来更容易优化树结构，这确保叶节点至少包含样本权重的总和的一小部分

2. 重要属性和接口

2.1 属性

属性是在模型训练之后，能够调用查看的模型的各种性质

• 对决策树来说，最重要的是feature_importances_，能够查看各个特征对模型的重要性

2.2 接口

sklearn中许多算法的接口都是相似的

• fit:训练模型
• predict:输入测试集返回每个测试样本的标签
• score:返回预测的准确度
• apply:输入测试集返回每个测试样本所在的叶子节点的索引

• 所有接口中要求输入X_train和X_test的部分，输入的特征矩阵必须至少是一个二维矩阵。sklearn不接受任何一维矩阵作为特征矩阵被输入。如果你的数据的确只有一个特征，那必须用reshape(-1,1)来给矩阵增维；如果你的数据只有一个特征和一个样本，使用reshape(1,-1)来给你的数据增维

3. 示例

示例1：葡萄酒

1. 导入所需的算法库和模块

from sklearn import tree # 导入树模块
from sklearn.datasets import load_wine # 导入葡萄酒数据集
from sklearn.model_selection import train_test_split # 导入数据分割的算法

2. 探索数据

wine = load_wine() # 给数据赋值，类型为dict
wine.data.shape # 通过键名来查看特征矩阵的大小

wine.target # 查看数据标签

import pandas as pd 
pd.concat([pd.DataFrame(wine.data),pd.DataFrame(wine.target)],axis=1) # 将特征矩阵和标签列按列方向合并,以表格的方式显示

wine.feature_names # 查看特征名称

wine.target_names # 查看标签类型

3. 分训练集和测试集

x_train,x_test,y_train,y_test = train_test_split(wine.data, wine.target,test_size = 0.3) # 将数据集以30%为测试集，剩下为训练集进行分割

x_train.shape # 查看训练集结构

x_test.shape # 查看测试集结构

4. 建立模型

# 实例化
clf = tree.DecisionTreeClassifier(criterion = 'entropy') # 不纯度计算方法为信息增益
clf = clf.fit(x_train,y_train)# 训练模型
score = clf.score(x_test,y_test) # 返回预测的精确度
score

5. 画出一棵树

import graphviz # 导入树结构的画图模块
feature_name = ['酒精','苹果酸','灰','灰的碱性','镁','总酚','类黄酮','非黄烷类酚类','花青素','颜色强度','色调','od280/od315稀释葡萄酒','脯氨酸'] # 输入特征名

dot_data = tree.export_graphviz(clf
                        ,out_file = None
                        ,feature_names = feature_name
                        ,class_names = ['琴酒','雪莉','贝尔摩德']
                        ,filled = True # 是否填充颜色
                        ,rounded = True # 框的形状
                               ) # 导出决策树的图信息
graph = graphviz.Source(dot_data)# 根据图信息绘制出树形图
graph

6. 探索决策树

clf.feature_importances_ # 查看特征重要性

[*zip(feature_name,clf.feature_importances_)]

7. 调参

• 控制随机性

# 1. random_state 为空时，每运行一次都会选取的不一样特征，从而导致生成的树不一样
## 可通过赋值来控制随机性

clf = tree.DecisionTreeClassifier(criterion = 'entropy'
                                  ,random_state = 26)
clf = clf.fit(x_train,y_train)
score = clf.score(x_test,y_test)
score

# 2.splitter 控制特征选择的随机性
# 'best'：优先选择更重要的特征来进行分枝
# 'random':随机选取特征，使用后会降低拟合

clf = tree.DecisionTreeClassifier(criterion = 'entropy'
                                  ,random_state = 26
                                  ,splitter = 'random')
clf = clf.fit(x_train,y_train)
score = clf.score(x_test,y_test)
score  

# 导出新的树图
dot_data = tree.export_graphviz(clf
                        ,out_file = None
                        ,feature_names = feature_name
                        ,class_names = ['琴酒','雪莉','贝尔摩德']
                        ,filled = True # 是否填充颜色
                        ,rounded = True # 框的形状
                               ) # 导出决策树的图信息
graph = graphviz.Source(dot_data)# 根据图信息绘制出树形图
graph


# 查看对于训练集的拟合程度
score = clf.score(x_train,y_train)
score

• 剪枝参数(决策树的核心)

# 1. 限制树的最大深度。
## max_depth:限制树的深度能够有效限制过拟合，建议=3开始使用

# 2. 限制叶子节点的参数
## min_samples_leaf :分枝后的每个子节点的样本数量，一般与max_depth搭配使用，=5开始使用，样本量过大使用浮点数
## min_samples_split ：一个节点包含样本数量

clf = tree.DecisionTreeClassifier(criterion = 'entropy'
                                  , random_state = 26
                                  , splitter = 'random'
                                  , max_depth = 3
                                  , min_samples_leaf = 10
                                  , min_samples_split = 10
                                 )
clf = clf.fit(x_train,y_train)
score = clf.score(x_test,y_test)
score  

dot_data = tree.export_graphviz(clf
                        ,out_file = None
                        ,feature_names = feature_name
                        ,class_names = ['琴酒','雪莉','贝尔摩德']
                        ,filled = True # 是否填充颜色
                        ,rounded = True # 框的形状
                               ) # 导出决策树的图信息
graph = graphviz.Source(dot_data)# 根据图信息绘制出树形图
graph

# 3. 限制参与特征的个数
## max_features ：超过限制个数的特征都会被舍弃

# 4. 限制信息增益的大小
## min_impurity_split:信息增益小于设定数值的分枝不会发生

• 超参数曲线来设定最优参数

import matplotlib.pyplot as plt

test = []
for i in range(10):
    clf = tree.DecisionTreeClassifier(criterion = 'entropy'
                                  , random_state = 26
                                  , splitter = 'random'
                                  , max_depth = i+1
                                 )
    clf = clf.fit(x_train,y_train)
    score = clf.score(x_test,y_test)
    test.append(score) 

plt.plot(range(1,11), test, color = 'red', label = 'max_depth')
plt.legend()
plt.show()

• 目标权重参数

# 1. class_weight：样本标签进行一定的均衡，给少量的标签更多的权重，默认一样的权重
# 2. min_weight_fraction_leaf：基于权重的剪枝参数来使用

8. 接口

# pridict：返回预测结果，不需要y标签
clf.predict(x_test)

# apply: 返回所在叶子节点的索引，不需要y标签
clf.apply(x_test)

二、回归树

class sklearn.tree.DecisionTreeRegressor (criterion=’mse’, splitter=’best’,max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None, presort=False)

• 几乎所有参数，属性及接口都和分类树一模一样。需要注意的是，在回归树种，没有标签分布是否均衡的问题，因此没有class_weight这样的参数

详见：https://scikit-learn.org.cn/view/785.html

1. 重要参数及接口

criterion

• 'mse'：均方误差mean squared error(MSE)，父节点和叶子节点之间的均方误差的差额将被用来作为特征选择的标准，这种方法通过使用叶子节点的均值来最小化L2损失
• “friedman_mse”：费尔德曼均方误差，这种指标使用弗里德曼针对潜在分枝中的问题改进后的均方误差
• "mae"：绝对平均误差MAE（mean absolute error），这种指标使用叶节点的中值来最小化L1损失

• $MSE=\frac{1}{N}{\sum }_{i=1}^N(f_i-y_i{)}^{2}MSE\; =\; \backslash frac\{1\}\{N\}\backslash sum\_\{i=1\}^N(f\_i-y\_i)^2$，其中N是样本数量，i是每一个数据样本，$f_{i}f\_i$是模型回归出的数值，所以MSE的本质，其实是样本真实数据与回归结果的差异。在回归树中，MSE不只是我们的分枝质量衡量指标，也是我们最常用的衡量回归树回归质量的指标，当我们在使用交叉验证，或者其他方式获取回归树的结果时，我们往往选择均方误差作为我们的评估（在分类树中这个指标是score代表的预测准确率）。在回归中，我们追求的是，MSE越小越好。

• 然而，回归树的接口score返回的是R平方，并不是MSE。R平方被定义如下:
  $R^2=1-\frac{\mu }{\upsilon }R^2\; =\; 1\; -\; \backslash frac\; \{\backslash mu\}\{\backslash upsilon\}$
  $\mu ={\sum }_{i=1}^N(f_i-y_i{)}^2\backslash mu\; =\; \backslash sum\_\{i=1\}^N(f\_i-y\_i)^2$
  $\upsilon ={\sum }_{i=1}^N(y_i-\widehat{y}{)}^2\backslash upsilon\; =\; \backslash sum\_\{i=1\}^N(y\_i-\backslash hat\; y)^2$
  其中u是残差平方和（MSE $\times \backslash times$ N），$\upsilon \backslash upsilon$是总平方和，N是样本数量，$ii$是每一个数据样本，$f_{i}f\_i$是模型回归出的数值,$y_{i}y\_i$是样本点$ii$实际的数值标签。$\widehat{y}\backslash hat\; y$是真实数值标签的平均数。R平方可以为正为负（如果模型的残差平方和远远大于模型的总平方和，模型非常糟糕，R平方就会为负），而均方误差永远为正

• 值得一提的是，虽然均方误差永远为正，但是sklearn当中使用均方误差作为评判标准时，却是计算”负均方误差“（neg_mean_squared_error）。这是因为sklearn在计算模型评估指标的时候，会考虑指标本身的性质，均方误差本身是一种误差，所以被sklearn划分为模型的一种损失(loss)，因此在sklearn当中，都以负数表示。真正的均方误差MSE的数值，其实就是neg_mean_squared_error去掉负号的数字。

2. 示例

示例1：波士顿房价

# 1.导入模型所需模块
from sklearn import tree # 导入树模块
from sklearn.model_selection import cross_val_score # 导入交叉验证方法
from sklearn.datasets import load_boston # 导入波士顿数据集

# 2. 加载数据及探索数据
boston = load_boston()
boston.data.shape

# 3. 训练模型及测试模型
regressor = tree.DecisionTreeRegressor(random_state = 5) # 实例化
# 交叉验证
score=cross_val_score(regressor #实例后的算法模型
                ,boston.data # 使用的特征完整的数据集
                ,boston.target # 完整的标签数据集
                ,cv = 10 # 划分的份数，默认为5
                ,scoring = 'neg_mean_squared_error' # 评分方法，对于回归，默认返回R平方，R平方越接近1越好
               )
score

实例2：一维回归的图像绘制

1. 导入所需的算法库和模块

import numpy as np 
from sklearn import tree # 导入树模块
import matplotlib.pyplot as plt # 导入绘图模块

2. 创建一条含有噪声的正弦曲线

在这一步，我们的基本思路是，先创建一组随机的，分布在0~5上的横坐标轴的取值(x)，然后将这一组值放到sin函 数中去生成纵坐标的值(y)，接着再到y上去添加噪声。全程我们会使用numpy库来为我们生成这个正弦曲线

rng = np.random.RandomState(1) # 生成一个随机数种子

rng.rand() # 用于在0~1之间生成一个随机数种子，括号中用于随机数的数组结构

x = np.sort(5 * rng.rand(80,1),axis = 0) # 生成80个随机数，范围在0~5,并进行排序

y = np.sin(x).ravel() # ravel降维

y[::5] += 3 * (0.5-rng.rand(16))# 给部分数据加噪声 

plt.scatter(x,y)

3. 实例化&训练模型

regr_1 = tree.DecisionTreeRegressor(max_depth=3)
regr_2 = tree.DecisionTreeRegressor(max_depth=5)

regr_1 = regr_1.fit(x,y)
regr_2 = regr_2.fit(x,y)

4. 测试集导入模型，预测结果

x_test = np.arange(0.0,5.0,0.01)[:,np.newaxis] 
# np.arange(开始点,结束点,步长)
# [:,np.newaxis] 增维切片

y_1 = regr_1.predict(x_test)
y_2 = regr_2.predict(x_test)

5. 绘制图像

plt.figure()
plt.scatter(x,y
            ,s=20 # 点的大小
            ,edgecolor = 'black'# 点边框的颜色
            ,c = 'darkorange'# 点的颜色
            ,label = 'data' # 标签
           )

plt.plot(x_test,y_1
         ,color = 'cornflowerblue'# 线的颜色
         ,label='max_depth=3' # 标签
         ,linewidth = 2 # 线宽
        )

plt.plot(x_test,y_2
         ,color = 'yellowgreen'
         ,label='max_depth=5'
         ,linewidth = 2
        )

plt.xlabel('data')
plt.ylabel('target')
plt.title('Decision Tree Regressor')

plt.legend()
plt.savefig('一维回归的图像绘制',dpi = 600)
plt.show()

三、决策树的优缺点

1. 决策树优点

1. 易于理解和解释，因为树木可以画出来被看见
2. 需要很少的数据准备。其他很多算法通常都需要数据规范化，需要创建虚拟变量并删除空值等。但请注意，sklearn中的决策树模块不支持对缺失值的处理。
3. 使用树的成本（比如说，在预测数据的时候）是用于训练树的数据点的数量的对数，相比于其他算法，这是一个很低的成本。
4. 能够同时处理数字和分类数据，既可以做回归又可以做分类。其他技术通常专门用于分析仅具有一种变量类型的数据集。
5. 能够处理多输出问题，即含有多个标签的问题，注意与一个标签中含有多种标签分类的问题区别开
6. 是一个白盒模型，结果很容易能够被解释。如果在模型中可以观察到给定的情况，则可以通过布尔逻辑轻松解释条件。相反，在黑盒模型中（例如，在人工神经网络中），结果可能更难以解释。
7. 可以使用统计测试验证模型，这让我们可以考虑模型的可靠性。
8. 即使其假设在某种程度上违反了生成数据的真实模型，也能够表现良好

2. 决策树的缺点

1. 决策树学习者可能创建过于复杂的树，这些树不能很好地推广数据。这称为过度拟合。修剪，设置叶节点所需的最小样本数或设置树的最大深度等机制是避免此问题所必需的，而这些参数的整合和调整对初学者来说会比较晦涩
2. 决策树可能不稳定，数据中微小的变化可能导致生成完全不同的树，这个问题需要通过集成算法来解决。
3. 决策树的学习是基于贪婪算法，它靠优化局部最优（每个节点的最优）来试图达到整体的最优，但这种做法不能保证返回全局最优决策树。这个问题也可以由集成算法来解决，在随机森林中，特征和样本会在分枝过程中被随机采样。
4. 有些概念很难学习，因为决策树不容易表达它们，例如XOR，奇偶校验或多路复用器问题。
5. 如果标签中的某些类占主导地位，决策树学习者会创建偏向主导类的树。因此，建议在拟合决策树之前平衡数据集。

四、案例：泰坦尼克存活预测

1. 导入所需库

import pandas as pd
from sklearn.tree import DecisionTreeClassifier # 导入分类树模型
from sklearn.model_selection import train_test_split # 数据分割方法
from sklearn.model_selection import GridSearchCV # 网格搜索模块
from sklearn.model_selection import cross_val_score # 交叉验证
import matplotlib.pyplot as plt # 绘图模块

2. 导入数据集，探索数据

data = pd.read_csv('data.csv',index_col = 0)

data.head() # 显示前n行，默认5
data.info() # 查看数据基本信息

3. 对数据集进行预处理

# 删除缺失值过多的列，和观察判断来说和预测的y没有关系的列
data.drop(['Cabin','Name','Ticket'],inplace = True,axis=1)

# 处理缺失值，对缺失值较多的列进行填补
data['Age'] = data['Age'].fillna(data['Age'].mean())

# 有一些特征只缺失一两个值的，可以采取直接删除记录的方法
data = data.dropna()

# 将分类变量转换为数值型变量

# 将二分类变量转换为数值型变量
# astype能够将一个pandas对象转换为某种类型，和apply(int(x))不同，astype可以将文本类转换为数字，用这个方式可以很便捷地将二分类特征转换为0~1
data['Sex'] = (data['Sex'] == 'male').astype('int')

# 将三分类变量转换为数值型变量
labels = data['Embarked'].unique().tolist()

data['Embarked'] = data['Embarked'].apply(lambda x : labels.index(x))

4. 提取标签和特征矩阵，分测试集和训练集

x = data.iloc[:,data.columns != 'Survived']
y = data.iloc[:,data.columns == 'Survived']

x_train,x_test,y_train,y_test = train_test_split(x,y,test_size = 0.3)

# 修正测试集和训练集的索引，可以不修改，但建议修改
for i in [x_train,x_test,y_train,y_test]:
    i.index = range(i.shape[0])

5. 导入模型，粗略跑一下查看结果

clf = DecisionTreeClassifier(random_state = 5)
clf = clf.fit(x_train,y_train)
score_ = clf.score(x_test,y_test)
score_

score = cross_val_score(clf,x,y,cv = 10).mean()

6. 在不同max_depth下观察拟合情况

tr = []
te = []
for i in range(10):
    clf = DecisionTreeClassifier(random_state = 5
                                 ,max_depth = i+1
                                 ,criterion = 'entropy'
                                )
    clf = clf.fit(x_train,y_train)
    score_tr = clf.score(x_train,y_train)
    score_te = cross_val_score(clf,x,y,cv = 10).mean()
    tr.append(score_tr)
    te.append(score_te)

plt.plot(range(1,11),tr, color = 'red', label = 'train')
plt.plot(range(1,11),te, color = 'blue', label = 'test')
plt.xticks(range(1,11))
plt.legend()
plt.show()

max(te)

7. 用网格搜索调整参数

网格搜索：能够帮助我们同时调整多个参数的技术，枚举技术 网格搜索的缺点：输入的参数列表中的每个参数都必须进行设置

import numpy as np
gini_thresholds = np.linspace(0,0.5,20)

# 一串参数和这些参数对应的，希望网格搜索来搜索的参数的取值范围
parameters = {'splitter':('best','random')
              ,'criterion':('gini','entropy')
              ,'max_depth': [*range(1,10)]
              ,'min_samples_leaf': [*range(1,50,5)]
              ,'min_impurity_decrease':[*np.linspace(0,0.5,20)]
             }

clf = DecisionTreeClassifier(random_state = 5)
GS = GridSearchCV(clf, parameters, cv = 10)
GS.fit(x_train,y_train)

GS.best_params_ 
# 从我们输入的参数和参数取值的列表中，返回最佳组合

GS.best_score_# 网格搜索后的模型的评判标准