Machine Learning Notes-Decision Trees-Udacity

什么是 Decision Tree？

Decision Tree 可以把 Input 映射到离散的 Labels。对每个节点上的 Attribute 提问，取不同的 Value 走向不同的 Children，最终得到结果。

例如，这是一个不能 Linearly Separated 的问题，但是可以被 Decision Tree 分开。

当 instances 是连续的时候也可以用 DT。

怎样构建 Decision Tree？

先要找到最佳的 Attribute，然后提出合适的问题，可以把数据尽量地分成两份。

ID3 Algorithm 可以用来寻找 Best Attribute。

什么是 Best Attribute？

通俗地讲，就是最好可以直接把数据分成目标类别，用数学的角度衡量就是用 Entropy 来计算 Information Gain。

用 sklearn 来 create 和 train Decision Trees。

Step-1: Decision Tree Classifier

Resources:
http://scikit-learn.org/stable/modules/tree.html#classification

def classify(features_train, labels_train):
    
    ### your code goes here--should return a trained decision tree classifer
    from sklearn import tree
    
    clf=tree.DecisionTreeClassifier()
    clf=clf.fit(features_train, labels_train)    
    
    return clf

#!/usr/bin/python""" lecture and example code for decision tree unit """import sysfrom class_vis import prettyPicture, output_imagefrom prep_terrain_data import makeTerrainDataimport matplotlib.pyplot as pltimport numpy as npimport pylab as plfrom classifyDT import classify

features_train, labels_train, features_test, labels_test = makeTerrainData()### the classify() function in classifyDT is where the magic### happens--fill in this function in the file 'classifyDT.py'!clf = classify(features_train, labels_train)#### grader code, do not modify below this lineprettyPicture(clf, features_test, labels_test)
output_image("test.png", "png", open("test.png", "rb").read())

Decision Tree Boundary 很独特，像现代艺术，还有一些小岛。
但是有些 Overfitting，

Step-2: Accuracy

Resources:
http://scikit-learn.org/stable/modules/generated/sklearn.metrics.accuracy_score.html

import sysfrom class_vis import prettyPicturefrom prep_terrain_data import makeTerrainDataimport numpy as npimport pylab as pl

features_train, labels_train, features_test, labels_test = makeTerrainData()########################################################################################################### DECISION TREE ##################################### your code goes herefrom sklearn import tree
clf=tree.DecisionTreeClassifier()
clf=clf.fit(features_train, labels_train)
labels_predict=clf.predict(features_test)from sklearn.metrics import accuracy_score


acc = accuracy_score(labels_test,labels_predict)### you fill this in!### be sure to compute the accuracy on the test set


    def submitAccuracies():
  return {"acc":round(acc,3)}

上述 Classifier 得到准确率大约在 91%，在这里有一些 Overfitting，我们也许可以通过 Tuning some Parameters 来改善这个精度。

Step-3: 接下来看哪些 Parameters 可以 Tune

Resource:
Parameters of Decision Tree
http://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html#sklearn.tree.DecisionTreeClassifier

DecisionTreeClassifier 有如下几个 Parameters

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,
class_weight=None,
presort=False)

其中 min_samples_split 如果太小，可能会造成 Overfitting，因为它的意思是，当 Node 上的值小于什么时就不能再分下去了，因此越小的话，分出来的层就越多。当把默认值改成 50 时，就看不到 Overfitting 的那条线了。

用代码运行一下，看哪个值可以得到更高的准确率：

import sysfrom class_vis import prettyPicturefrom prep_terrain_data import makeTerrainDataimport matplotlib.pyplot as pltimport numpy as npimport pylab as pl

features_train, labels_train, features_test, labels_test = makeTerrainData()########################## DECISION TREE #################################### your code goes here--now create 2 decision tree classifiers,### one with min_samples_split=2 and one with min_samples_split=50### compute the accuracies on the testing data and store### the accuracy numbers to acc_min_samples_split_2 and### acc_min_samples_split_50, respectivelyfrom sklearn import tree
clf_2=tree.DecisionTreeClassifier(min_samples_split=2)
clf_2=clf_2.fit(features_train, labels_train)
labels_predict_2=clf_2.predict(features_test)

clf_50=tree.DecisionTreeClassifier(min_samples_split=50)
clf_50=clf_50.fit(features_train, labels_train)
labels_predict_50=clf_50.predict(features_test)from sklearn.metrics import accuracy_score

acc_min_samples_split_2=accuracy_score(labels_test,labels_predict_2)
acc_min_samples_split_50=accuracy_score(labels_test,labels_predict_50)def submitAccuracies():
  return {"acc_min_samples_split_2":round(acc_min_samples_split_2,3),          "acc_min_samples_split_50":round(acc_min_samples_split_50,3)}

比较 min_samples_split 等于50 的时候，精度比 2 的时候大。

{"message": "{'acc_min_samples_split_50': 0.912, 'acc_min_samples_split_2': 0.908}"}

熵，很重要，决定着 Decision Tree 如何划分 data。

Definition: measure of impurity of a bunch of examples.

Formular:

例：
下面这个例子，计算它的 Entropy：

最后的 Entropy 结果如下：

那么熵是如何影响 Decision Tree 的呢？
Information Gain：

Decision Tree 就是要最大化 Information Gain

现在看 grade 这个node上，当 grade＝steep 时，slow和fast的熵是多少，当 grade＝flat 时，这个熵＝0，因为只有一类 fast，取对数时＝0. Remember we are calculating entropy, not counting observations. What is the entropy of a set that contains observations of the same class?

例：

数据：

要计算Information Gain：

Entropy of Parent，即 speed

Entropy of Children，即 grade

其中 flat children的熵是：

其中 steep children的熵是：

接着计算公式的后半部分：

最后得到 Information gain＝1-3/4*0.9184-0=0.3112

接着计算下一个Children

所以 bumpiness 的 Information Gain＝0，也就是我们没有从 bumpiness 得到任何有用的信息。

接着看 speed limit 这个children的 Information Gain＝1，也就是非常的 Pure，这是我们希望用来 split 的因素。

综上，
steep children 的 Information gain=0.3112
bumpiness 的 Information Gain＝0
speed limit 的 Information Gain＝1
所以选择 speed limit 来作为split node。

此外 Decision Tree 的这个Parameter ：criterion='gini' 也是可以 Tune 的，gini index 是类似于 metric of impurity，它和 Entropy Information Gain 略有不同，但是效果是一样的。

Bias and Variance

Strengths and Weakness

Weakness:

prone to overfitting: when lots of features, complicate tree
so, need to tune parameters, stop the growth of trees at appropriate time.

Strengths:

Ensemble method: Build bigger classifier out of decision trees,