文章目录
一、目的与要求
1）熟悉决策树的原理；
2）熟练使用sklearn库中相关决策树分类算法、预测方法；
3）熟悉pydotplus、 GraphViz等库中决策树模型可视化方法。
二、实验设备与环境、数据
PC机 + Python3.7环境（pycharm、anaconda或其它都可以）
python库: sklearn、pydotplus、 GraphViz等，
提供鸢尾花数据集iris150条记录（150*5）包括一个类标号属性。
三、实验内容
１）算法原理
决策树算法依据对一系列属性取值的判定得出最终决策。在每个非叶子节点上进行一个特征属性的测试，每个分支表示这个特征属性在某个值域上的输出，而每个叶子节点对应于最终决策结果。使用决策树进行决策的过程就是从根节点开始，测试待分类项中相应的特征属性，并按照其值选择输出分支，直到到达叶子节点，将叶子节点对应的类别作为决策结果。算法的目的是产生一棵泛化性能强，即处理未见数据能力强的决策树。
２）具体要求
1）利用相应库中算法对鸢尾花数据构建决策树；
了解sklearn相关库中决策树分类方法的接口，清洗、预处理处理鸢尾花数据，说明该方法对数据集的要求。
2）可视化决策树；
了解pydotplus、GraphViz等相关库中决策树可视化方法的接口，结合上述构建方法中参数的设置，分析每次构建的树的层数及叶子数目。
3）分别查看训练集、测试集上模型的评估指标（准确率）；
对鸢尾花数据进行分割，或使用交叉验证等方法对每次形成的决策树进行评估。
4）（选做）自己编写ID3/C4.5决策树分类算法，构建决策树，并评估模型。
首先对数据进行预处理，主要包括缺失值的处理以及连续属性的离散化方法；然后进行各个模型的实现，包括:数据集中属性的信息增益（或信息增益率、gini指数）的计算；选择最佳划分属性；以及构建决策树的递归方法等。
实验代码：
py
# -- coding: utf-8 --
import os
from sklearn import tree
import pydotplus
from sklearn.datasets import load_iris # 从sklearn包里datasets里导入数据集iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
from sklearn.tree import DecisionTreeClassifier # 训练器
from sklearn.naive_bayes import GaussianNB
from sklearn.ensemble import RandomForestClassifier
from sklearn.svm import SVC
from sklearn.model_selection import cross_val_score
from pylab import *
from sklearn.tree import export_text
import random
os.environ["PATH"] += os.pathsep + r'D:\Environment\Graphviz2.38\bin'
# sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='gb18030') # 改变标准输出的默认编码
# print(os.environ.get('PATH'))
# Graphviz是一个开源的可视化图形工具,可以很方便的用来绘制结构化的图形网络，支持多种格式输出（需要独立的在系统内安装）
# 导入数据集
iris = load_iris()
# print(iris)
# print(iris.data) #原数据
# print(iris.target) #目标数据
# 构建模型
# 用于构建决策树，创建分类器
# scikit-learn 提供的 DecisionTreeClassifier 类可以做二分类任务
# 模型的训练，拟合数据
clf = tree.DecisionTreeClassifier().fit(iris.data, iris.target)
# X: 训练数据，稀疏或稠密矩阵;Y别标签，整型数组
# 导出树的结构
r = export_text(clf, feature_names=iris['feature_names']) # 以文本形式输出，决策树模型
print(r)
'''
tree.export_graphviz参数说明
为了能够准确的输出决策树规则，方法tree.export_graphviz当中一下参数必须设置成以下形式。其余参数使用默认的即可。
feature_names：特征名称，顺序必须和训练样本的数据一致
class_names：类别名称，输入的时候，必须要排序。如将原来的['1', '0']设置为['0', '1']，注意：数据类型必须为str型的。
filled：填充，必须为True
node_ids：节点id，必须为True
rounded：画的图形边缘是否美化，必须为True
special_characters：必须为True
'''
# 以Graphviz格式导出
dot_data = tree.export_graphviz(clf,
out_file=None,
feature_names=iris.feature_names,
filled=True,
impurity=True,
rounded=True)
graph = pydotplus.graph_from_dot_data(dot_data) # 以DOT数据进行graph绘制
graph.get_nodes()[7].set_fillcolor("#FFF2DD") # 设置显示颜色
graph.write_png('iris.png') # 保存成图片
#
# 训练集、测试集数据分割
seed = random.randint(1, 2647483647)
# 随机将样本集合划分为训练集 和测试集，并返回划分好的训练集和测试集数据。
# train_test_split是交叉验证中常用的函数train_data：所要划分的样本特征集，train_target：所要划分的样本结果
# test_size：样本占比，如果是整数的话就是样本的数量
# random_state：是随机数的种子
train, test, train_label, test_label = train_test_split(iris.data, iris.target, test_size=0.3, random_state=seed)
# print(train,train_label)
# print(test,test_label)
# 选用机器学习算法
models = [] # 模型列表 模型算法对象加入列表
models.append(('DecisionTree', DecisionTreeClassifier())) # 决策树
models.append(('GaussianNB', GaussianNB())) # 朴素贝叶斯
models.append(('RandomForest', RandomForestClassifier())) # 随机森林
models.append(('SVM', SVC())) # 支持向量机SVM
# 基于测试集test的预测及验证
for name, model in models:
model.fit(train, train_label) # 进行训练 用训练集和训练标签
pre = model.predict(test) # 用测试集进行预测
results = model.score(test, test_label) # 结果验证
print("算法:{}\n准确率:{}{} ".format(name, results * 100, "%"))
print(classification_report(test_label, pre, target_names=iris.target_names))
# 其中列表左边的一列为分类的标签名，右边support列为每个标签的出现次数．avg / total行为各列的均值（support列为总和）．
# precision recall f1-score三列分别为各个类别的 精确度/召回率 F1值． F1值是精确度和召回率的调和平均值：
'''
classification_report函数用于显示主要分类指标的文本报告．在报告中显示每个类的精确度，召回率，F1值等信息。
主要参数:
y_true：1维数组，或标签指示器数组/稀疏矩阵，目标值。
y_pred：1维数组，或标签指示器数组/稀疏矩阵，分类器返回的估计值。
labels：array，shape = [n_labels]，报表中包含的标签索引的可选列表。
target_names：字符串列表，与标签匹配的可选显示名称（相同顺序）。
sample_weight：类似于shape = [n_samples]的数组，可选项，样本权重。
digits：int，输出浮点值的位数．
'''
# 交叉验证
print("-----------------交叉验证----------------")
X_train, X_test, Y_train, Y_test = train_test_split(iris.data, iris.target)
names = []
scores = []
for name, model in models:
cfit = model.fit(X_train, Y_train) # 训练
cfit.score(X_test, Y_test) # 分数
cv_scores = cross_val_score(model, X_train, Y_train, cv=10) # 分数
scores.append(cv_scores) # 加入
names.append(name) # 名称加入
print("{}：{:.6f} {:.6f}".format(name, cv_scores.mean(), cv_scores.std()))
# 算法比较
fig = plt.figure() # 创建画布
fig.suptitle('Prediction Accuracy of Four Algorithms') # 设置标题：四种算法准确率比较
ax = fig.add_subplot(1, 1, 1) # 新增子图或区域
# 比如221，指的就是将这块画布分为2×2，然后1对应的就是1号区
# 111 1 * 1 然后1对应的就是1号区
plt.ylabel('algorithm') # 算法
plt.xlabel('Accuracy') # 准确率
# patch_artist控制箱体图的填充，默认值为False, 此时箱体图的颜色指定的是表框的颜色，当取值为True时，color参数的值为箱体图的填充色，用法如下
plt.boxplot(scores, vert=False, patch_artist=True, meanline=False, showmeans=True)
# x ：绘图数据。
# vert ：是否需要将箱线图垂直放，默认垂直放。
# patch _ artist ：是否填充箱体的颜色。
# meanline ：是否用线的形式表示均值，默认用点表示。
# showmeans ：是否显示均值，默认不显示。
ax.set_yticklabels(names)
plt.show()实验截图：
决策树结构展示：
决策树分类器：
高斯分类器：
随机森林分类器：
支持向量机分类器：
交叉验证：
预测图：
四、实验小结
总结：
- 通过本次实验加深了我对决策树原理的理解，本次实验使用了4种分类算法进行分类，习了决策树模型的构建过程，分类算法，预测方法，以及决策树的可视化、最后进行交叉验证。
- 本次实验中用到了sklearn库，以及pydotplus库、GraphViz的使用，GraphViz的使用需要下载exe文件安装到电脑中并配置相应的环境变量才可以正常使用。
- 此次实验是通过使用不同算法对鸢尾花数据集进行分类以及预测，对比不同算法的准确率可知，在多次试验后SVM算法的效果较好，鸢尾花数据集还需要多多研究和掌握。
- 这些算法的区别和特点需要清楚，还有背后的原理需要掌握，并且加以实验才能更好的掌握这些知识。