机器学习中的分类：决策树、随机森林及其应用

💗💗💗欢迎来到我的博客，你将找到有关如何使用技术解决问题的文章，也会找到某个技术的学习路线。无论你是何种职业，我都希望我的博客对你有所帮助。最后不要忘记订阅我的博客以获取最新文章，也欢迎在文章下方留下你的评论和反馈。我期待着与你分享知识、互相学习和建立一个积极的社区。谢谢你的光临，让我们一起踏上这个知识之旅！

文章目录

• 🍋数据预处理
• 🍋决策树模型
• • 🍋构建及优缺点
  • 🍋代码
• 🍋随机森林模型
• • 🍋构建及优缺点
  • 🍋代码
• 🍋模型评估
• • 🍋下一步优化建议
• 🍋总结

🍋数据预处理

这部分我们可以使用Python脚本随机生成一个csv文件

import pandas as pd
import random
import string

# 随机生成数据的数量
num_records = 1000

# 随机生成用户ID
def generate_user_id():
    return random.randint(1, 1000)

# 随机生成性别
def generate_gender():
    return random.choice(['M', 'F'])

# 随机生成年龄（假设年龄范围在18到60之间）
def generate_age():
    return random.randint(18, 60)

# 随机生成优惠券ID
def generate_coupon_id():
    return ''.join(random.choices(string.digits, k=4))

# 随机生成优惠力度（假设优惠力度范围在5%到50%之间）
def generate_discount():
    return f"{random.randint(5, 50)}%"

# 随机生成购买历史（假设每个用户的购买历史是一个整数，范围在1到20之间）
def generate_purchase_history():
    return random.randint(1, 20)

# 随机生成优惠券是否被使用（1表示使用，0表示未使用）
def generate_coupon_used():
    return random.choice([0, 1])

# 生成数据
data = []
for _ in range(num_records):
    data.append([
        generate_user_id(),
        generate_age(),
        generate_gender(),
        generate_coupon_id(),
        generate_discount(),
        generate_purchase_history(),
        generate_coupon_used()
    ])

# 创建DataFrame
columns = ['user_id', 'age', 'gender', 'coupon_id', 'discount', 'purchase_history', 'coupon_used']
df = pd.DataFrame(data, columns=columns)

# 保存为CSV文件
df.to_csv('o2o_data.csv', index=False)

print("CSV文件已生成：o2o_data.csv")

数据大概如下图

我们将用 pandas 处理这个数据集，生成特征，并进行标签编码

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder

# 加载数据
data = pd.read_csv('o2o_data.csv')

# 处理缺失值
data = data.dropna()  # 丢弃含有缺失值的行

# 特征选择与标签编码
features = data[['age', 'gender', 'discount', 'purchase_history']]  # 选择特征
labels = data['coupon_used']  # 目标变量

# 性别特征标签编码
le = LabelEncoder()
features['gender'] = le.fit_transform(features['gender'])

# 将折扣从百分比转化为数值
features['discount'] = features['discount'].apply(lambda x: float(x.strip('%')) / 100)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.2, random_state=42)

🍋决策树模型

决策树是一种基于树形结构的模型，通过一系列的决策规则来对数据进行分类。它从数据中提取特征信息，并基于这些特征做出决策。决策树的每个内部节点代表对某个特征的判断，每个分支代表判断结果，而每个叶子节点代表最终的类别。

🍋构建及优缺点

1. 决策树的构建
   构建决策树的目标是通过一系列决策来最小化分类错误，常用的方法是选择最能区分数据的特征。常见的特征选择标准有：

• 信息增益（Information Gain）：基于熵（Entropy）来衡量某一特征对数据集的分类效果。
• 基尼指数（Gini Impurity）：通过计算数据集的不纯度来选择最优特征。

2. 决策树的优缺点

• 优点：易于理解和解释，模型透明；无需特征标准化；可以处理非线性数据。
• 缺点：容易过拟合；对噪声数据敏感；树结构的构建和剪枝过程较为复杂。

🍋代码

接下来，我们使用决策树来进行分类。我们将用 DecisionTreeClassifier 来训练模型，并评估其性能。

from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
import matplotlib.pyplot as plt
from sklearn.tree import plot_tree

# 初始化决策树模型
dt_model = DecisionTreeClassifier(random_state=42)

# 训练模型
dt_model.fit(X_train, y_train)

# 预测结果
y_pred_dt = dt_model.predict(X_test)

# 评估模型性能
print("决策树模型准确率:", accuracy_score(y_test, y_pred_dt))
print("\n分类报告:\n", classification_report(y_test, y_pred_dt))
print("\n混淆矩阵:\n", confusion_matrix(y_test, y_pred_dt))

# 可视化决策树
plt.figure(figsize=(12,8))
plot_tree(dt_model, filled=True, feature_names=features.columns, class_names=['Not Used', 'Used'], rounded=True)
plt.show()

下图是输出的示例

可视化决策树

🍋随机森林模型

随机森林是由多棵决策树构成的集成学习方法，它通过构建多个决策树并将各树的结果进行投票（分类问题）或平均（回归问题）来增强模型的准确性。

🍋构建及优缺点

1. 随机森林的构建
   在构建随机森林时，主要有两种方法来提高模型的多样性：

• 自助法（Bootstrap sampling）：从原始数据集随机抽取多个子集（有放回抽样），每个子集用于训练一棵决策树。
• 特征选择随机性：每个节点的分裂不仅基于当前最佳的特征，还从随机选择的特征子集进行选择，从而增加了树之间的差异性。

2. 随机森林的优缺点

• 优点：较高的准确率；较少的过拟合；适用于处理高维数据。
• 缺点：模型较为复杂，训练和预测速度相对较慢；解释性差。

🍋代码

然后，我们用随机森林来增强模型性能。我们将使用 RandomForestClassifier 进行训练。

from sklearn.ensemble import RandomForestClassifier

# 初始化随机森林模型
rf_model = RandomForestClassifier(n_estimators=100, random_state=42)

# 训练模型
rf_model.fit(X_train, y_train)

# 预测结果
y_pred_rf = rf_model.predict(X_test)

# 评估模型性能
print("随机森林模型准确率:", accuracy_score(y_test, y_pred_rf))
print("\n分类报告:\n", classification_report(y_test, y_pred_rf))
print("\n混淆矩阵:\n", confusion_matrix(y_test, y_pred_rf))

# 可视化特征重要性
feature_importances = rf_model.feature_importances_
plt.barh(features.columns, feature_importances)
plt.xlabel('Feature Importance')
plt.title('Random Forest Feature Importance')
plt.show()

🍋模型评估

模型	准确率	精确度（类别0）	准确率（类别1）	召回率（类别0）	召回率（类别1）	F1分数（类别0）	F1分数（类别1）
决策树	0.475	0.50	0.45	0.48	0.47	0.49	0.46
随机森林	0.475	0.50	0.45	0.50	0.44	0.50	0.44

总结：

• 准确率： 两个模型的准确率相似，均为0.475，表明它们的分类性能差异不大，表现较弱。
• 精确度和召回率： 在两个模型中，类别0的精确度和召回率均高于类别1，说明模型对类别0的识别更好。类别1的召回率较低，表示模型难以正确识别出类别1的样本。
• F1 分数： 两个模型在类别0和类别1的F1分数上都相差不大，且都处于较低的水平，表明模型在平衡精度与召回率方面仍有优化空间。

🍋下一步优化建议

• 数据平衡处理： 由于数据的类别分布不平衡，建议尝试采用过采样（如SMOTE）或欠采样的方法来平衡类别分布。
• 模型调参： 可以通过调整模型的超参数（如决策树深度、随机森林的树数量）来提高模型性能。
• 特征工程： 可以尝试更多的特征工程方法，增加更多的特征或进行特征选择，以帮助模型更好地理解数据。
• 其他模型： 如果决策树和随机森林模型表现不理想，考虑使用其他更复杂的模型，如支持向量机（SVM）或XGBoost。

当然我们毕竟是虚假的数据，但是上面的建议还是可以参考一下的

🍋总结

决策树和随机森林是机器学习中非常强大的工具，它们不仅在分类任务中应用广泛，也在回归、预测等任务中大有作为。特别是在O2O优惠券使用预测中，利用这些模型可以为商家提供更精确的营销决策，从而提高消费者的转化率。刚兴趣的同学可以多使用几组数据集进行测试

挑战与创造都是很痛苦的，但是很充实。