集成学习导航：决策树与随机森林
【机器学习】集成学习：使用scikitLearn中的VotingClassifier综合多个不同模型进行软硬投票
【机器学习】集成学习：使用scikitLearn中的BaggingClassifier实现bagging和pasting策略
【机器学习】集成学习：使用scikitLearn中的RandomForestClassifier及RandomForestRegressor实现随机森林
【机器学习】集成学习：scikitLearn实现AdaBoost及梯度提升GradientBoosting，及XGBT库

决策树是一种无参数模型，事先不知道参数的个数，如果不对决策树进行正则化处理，则决策树很容易对数据过拟合。
1.决策树生成示例

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
#定义了决策树的最大深度
tree_clf = DecisionTreeClassifier(max_depth=2, random_state=42)
tree_clf.fit(X, y)

2.将生成的决策树模型转化为图片

from graphviz import Source
from sklearn.tree import export_graphviz

export_graphviz(
        tree_clf,
        #dot所在路径
        out_file=os.path.join(IMAGES_PATH, "iris_tree.dot"),
        #特征名
        feature_names=iris.feature_names[2:],
        #目标名
        class_names=iris.target_names,
        rounded=True,
        filled=True
    )
Source.from_file(os.path.join(IMAGES_PATH, "iris_tree.dot"))

上图中gini是不纯度，用1减去各类别在本节点占比的平方之和得到。

也可以使用熵来计算不纯度，公式为：

熵值越小越纯，两者区别是熵倾向于产生平衡树，任意节点对应的两颗子树高度差越小，则越平衡。

samples是到达此节点训练的样本数，values代表每个类别训练的实例数。。
scikitlearn中使用CART算法，Classification And Regression Tree ，即分类回归树算法。其特点是只生成2叉树。

3.输出类别的概率
决策树可以输出样本类别的概率，当一个实例样本到达底层的叶节点时，按照实例比例输出最终的概率，其代码如下：

#预测样本的概率
tree_clf.predict_proba([[5, 1.5]])
#输出值为array([[0.        , 0.90740741, 0.09259259]])
#预测样本的类别
tree_clf.predict([[5, 1.5]])
#输出值为array([1])

4.决策树分类时的训练过程：
其成本函数为：
m为样本数，是按左右分支样本数的比例进行不纯度加权。

寻找最优树的过程的时间复杂度是指数级的，故很难寻找到一颗最优树，所以算法可以理解为一种贪心算法，不追求全局最优，要确保每个树的节点其不纯度最优，再依次向下分裂。

5.正则化手段
除了max_depth参数外，
min_samples_split（分裂前节点必须有的最小样本数）、min_samples_leaf（叶节点必须有的最小样本数量）、min_weight_fraction_leaf（与min_samples_leaf一样，但表现为加权实例总数的占比）、max_leaf_nodes（最大叶节点数量），以及max_features（分裂每个节点评估的最大特征数量）。增大超参数min_或减小max_，起到平衡作用，将使模型正则化。

6.使用决策树进行回归操作：

from sklearn.tree import DecisionTreeRegressor

tree_reg = DecisionTreeRegressor(max_depth=2, random_state=42)
tree_reg.fit(X, y)

算法最终预测实例值，是该实例所在叶节点所有实例的平均值。

6.回归时的成本函数：
成本函数由不纯度调整为了均方误函数：

7.决策树的特点：
（1）决策树的突出特点是基本无需对数据进行预处理工作
（2）它是一种白盒模型，易于对分类的结果进行解释。
（3）决策树在预测时，预测需要从根到叶遍历决策树，由于本文是二叉树，m个样本共O（log2(m))个节点，每节点检查一个特征值，故其时间复杂度为：O（log2(m))，，与特征数无关，在大样本集时也预测较快。其训练时的时间复杂度为O (nmlogm) =每层n个特征，m个值，及树的深度
对于小训练集（少于几千个实例），Scikit-Learn可以通过对数据进行预排序（设置presort=True）来加快训练速度，但是这样做会大大降低大训练集的训练速度。
注意，这里的特征数n指每个样本的坐标分量的个数。
（4）决策树喜欢正交的决策边界，其决策边界总垂直于坐标轴，因此对数据的旋转敏感。