最近刚好有项目要用决策树实现，所以把整理的Python调用sklearn实现决策树代码分享给大家。
决策树在很多公司都实际运用于风险控制，之前阐述了决策树-ID3算法和C4.5算法、CART决策树原理（分类树与回归树）和Python中应用决策树算法预测客户等级。
本文致力于让大家彻底理解决策树的Python实现，能自己动手实现相关项目。
出于职业道德本文只阐述sklearn实现原理，不涉及项目详情。
本文目录
- 决策树中专有名词理解
- sklearn中决策树参数详解
- 安装决策树可视化工具graphviz
- 用Python实现决策树并可视化 4.1 导入数据 4.2 区分自变量和因变量 4.3 区分训练集和测试集 4.4 对比不同参数得到的决策树
一、决策树中专有名词理解
1.根节点：包含数据集中所有数据集合的节点，即初始分裂节点。
2.叶节点/终端节点：最终的决策结果(该节点不再进行划分)，被包含在该叶节点的数据属于该类别。
3.内部节点：非根节点和叶节点的节点，该节点包含数据集中从根节点到该节点所有条件的数据集合。根据内部节点的判断条件结果，其对应的数据集合被分到两个或多个子节点中。
4.父节点：划分出子节点的节点。
5.子节点：由父节点根据某一规则分裂而来的节点。
6.节点的深度：节点与决策树根节点的距离，如根节点的子节点的深度为1.
7.决策树的深度：所有叶子节点的最大深度。
借用CART决策树原理(分类树与回归树)中的简单决策树说明以上名词，用图形展示如下：
其中蓝色数据框表示根节点，橘色数据框表示内部节点，黄色数据框表示叶节点，这颗树的深度为叶节点距根节点的最大距离，即为2。
二、sklearn中决策树参数详解
这一小节主要阐述sklearn中分类决策树(tree.DecisionTreeClassifier)的参数，回归决策树类似，不再赘述。
代码语言：javascript复制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='deprecated', ccp_alpha=0.0)部分参数详解：
criterion：构建决策树寻找最佳节点和最佳分枝时可选的两种衡量标准，【“entropy”，“gini”】，默认采用“gini”作为划分标准。
splitter：特征划分标准，【“best”，“random”】。默认值best，即在特征的所有划分点中找出最优划分点，random指随机地在部分特征中找局部最优划分点。
max_depth：控制树的最大深度，若节点的深度超过最大深度则剪枝，防止过拟合。默认值None，即节点将展开到所有叶子都是纯的或直到所有叶子都含有少于最小分割的样本。
min_samples_split：拆分内部节点所需的最小样本数，默认值2。
min_samples_leaf：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个样本的方向去建树。
min_weight_fraction_leaf：叶子节点最小的样本权重和，如果小于这个值，则会和兄弟节点一起被剪枝。默认值0，即不考虑权重问题，所有样本权重相同。
max_feature：分枝时考虑的最大特征数，默认值None，即考虑所有特征。如果数据类型为int，该值为每次分枝的最大特征数。如果数据类型为float，(max_features*n_features)为每次分枝的最大特征数。
random_state：设置分枝中随机模式的参数，默认值None。输入任意整数，会一直长出同一棵树，让模型稳定下来，类似随机种子。
max_leaf_nodes：最大叶子节点个数，默认值None，即不限制最大的叶子节点数。
min_impurity_split：节点划分最小不纯度，默认值None，
class_weight：设置样本各类别的权重，为了防止训练集中某些类别的样本过多，导致训练的决策树过于偏向这些类别。默认值None，自动给数据集中的所有标签相同的权重。可以自己指定各个样本的权重，如果使用“balanced”，则算法会自己计算权重，样本量少的类别所对应的样本权重会高。
presort：拟合之前对数据进行预排序来加快树的构建。如果数据集非常庞大，预排序反而会导致整个分类变得缓慢，当数据集较小，且树的深度有限制时，采取预排序才会加速。
三、安装决策树可视化工具graphviz
为了把训练好的决策树结构更清晰地展示出来，可以用graphviz绘图，这是一个独立的软件，和python中其它的包安装有些区别，具体安装步骤如下：
step1：如果有需要，可以自行到官网https://graphviz.org/download/下载Graphviz。我的电脑是Windows系统，所以点红框中的链接进一步下载。
如果你的电脑是64位的，点击第一个链接，下载红框win64对应版本的exe。如果是32位的则点击第二个链接即可下载。
step2：安装graphviz，除了文件的安装目录可自行更改外，其它的直接默认即可。
step3：配置环境变量：我的电脑--属性--高级系统设置--环境变量--系统变量--path--编辑--新建--D:graphvizbin(需替换成你安装graphviz的bin文件路径)--确定。
step4：测试有没有成功：win r -- 打开cmd -- 输入dot - version，若出现下面的结果说明安装成功。
step5：重新加载安装graphviz：在Anaconda Prompt中输入pip install graphviz，接着在jupyter中输入import graphviz即可。
四、用Python实现决策树并可视化
1 导入数据
代码语言：javascript复制# coding: utf-8
import os #导入设置路径的库
import pandas as pd #导入数据处理的库
import numpy as np #导入数据处理的库
os.chdir(r'F:公众号7.评分卡') #把路径改为数据存放的路径
data = pd.read_csv('testtdmodel1.csv',sep=',',encoding='gb18030')注：如需本文中的数据，可到“阿黎逸阳的代码“公众号中回复”sklearn决策树“，即可免费获取。
2 区分自变量和因变量
代码语言：javascript复制columns_model = ['1个月内借款人身份证申请借款平台数','7天内关联P2P网贷平台数','3个月内关联P2P网贷平台数','3个月手机号关联身份证数','3个月内申请人关联融资租赁平台数','二度风险名单个数','是否命中身份证风险关注名单','原始分','一度风险名单个数']
X_model = data[columns_model] #生成入模自变量
y = data['y'] #生成入模因变量3 区分训练集和测试集
代码语言：javascript复制from sklearn.model_selection import train_test_split #导入区分训练集和测试集的模块
Xtrain, Xtest, Ytrain, Ytest = train_test_split(X_model, y, test_size=0.3)4 对比不同参数得到的决策树
为了生成展示中文的决策树pdf文件，可以在Source函数中进行设置，之前为了解决这个问题花了很长时间。
接下来看两个对比分析的具体实例，其它参数的对比分析可以自行测试。
step1：其它参数都一样，对比criterion中参数值。
criterion设置成默认值”gini“，具体语句：
代码语言：javascript复制from sklearn import tree #导入sklearn中的树模块
clf = tree.DecisionTreeClassifier(criterion='gini', max_depth=3, min_samples_split=100)
clf = clf.fit(Xtrain, Ytrain)
score = clf.score(Xtest, Ytest)
import graphviz
dot_data = tree.export_graphviz(clf,
out_file =None,
feature_names = columns_model,
filled = True,
rounded = True
)
print("criterion=",'entropy',"score=",score)
graph = graphviz.Source(dot_data.replace('helvetica','"Microsoft YaHei"'), encoding='utf-8')
graph.render(filename='MyPicture',view=True) #结果保存在MyPicture.pdf中得到结果：
criterion设置成”entropy“，具体语句：
代码语言：javascript复制from sklearn import tree #导入sklearn中的树模块
clf = tree.DecisionTreeClassifier(criterion='entropy', max_depth=3, min_samples_split=100)
clf = clf.fit(Xtrain, Ytrain)
score = clf.score(Xtest, Ytest)
import graphviz
dot_data = tree.export_graphviz(clf,
out_file =None,
feature_names = columns_model,
filled = True,
rounded = True
)
print("criterion=",'entropy',"score=",score)
graph = graphviz.Source(dot_data.replace('helvetica','"Microsoft YaHei"'), encoding='utf-8')
graph.render(filename='MyPicture',view=True) #结果保存在MyPicture.pdf中得到结果：
从上面两个图可以发现：采用gini和entropy两种方法结果差距很大，gini更倾向于把1找出来，entropy方法会更均匀一点。
如果是实际做策略时，可以优先考虑gini，有时也可以两种方法结合起来考虑，找到最优划分点。
step2：其它参数都一样，min_samples_leaf参数调整。
不添加min_samples_leaf参数，并把值设为100，具体语句：
代码语言：javascript复制from sklearn import tree #导入sklearn中的树模块
clf = tree.DecisionTreeClassifier(criterion='entropy', max_depth=3, min_samples_split=100)
clf = clf.fit(Xtrain, Ytrain)
score = clf.score(Xtest, Ytest)
import graphviz
dot_data = tree.export_graphviz(clf,
out_file =None,
feature_names = columns_model,
filled = True,
rounded = True
)
print("criterion=",'entropy',"score=",score)
graph = graphviz.Source(dot_data.replace('helvetica','"Microsoft YaHei"'), encoding='utf-8')
graph.render(filename='MyPicture',view=True) #结果保存在MyPicture.pdf中得到结果：
添加min_samples_leaf参数，具体语句
代码语言：javascript复制from sklearn import tree #导入sklearn中的树模块
clf = tree.DecisionTreeClassifier(criterion='entropy', max_depth=3, min_samples_split=100, min_samples_leaf=100)
clf = clf.fit(Xtrain, Ytrain)
score = clf.score(Xtest, Ytest)
import graphviz
dot_data = tree.export_graphviz(clf,
out_file =None,
feature_names = columns_model,
filled = True,
rounded = True
)
print("criterion=",'entropy',"score=",score)
graph = graphviz.Source(dot_data.replace('helvetica','"Microsoft YaHei"'), encoding='utf-8')
graph.render(filename='MyPicture',view=True) #结果保存在MyPicture.pdf中得到结果：
从上面两个图可以发现：添加min_samples_leaf参数后，分枝会朝着满足每个子节点都包含min_samples_leaf个样本的方向去进行。
step1和step2对比语句中会生成相应的pdf文件，如果想要在jupyter中直接看到图片，可以直接输入graph即可。
至此，Python调用sklearn实现决策树并展示已讲解完毕，感兴趣的同学可以自己实现一遍
。
参考文献
代码语言：javascript复制https://blog.csdn.net/bylfsj/article/details/104453310/
https://blog.csdn.net/qq_40884357/article/details/104613563
https://blog.csdn.net/master_hunter/article/details/109022300
https://blog.csdn.net/weixin_43979090/article/details/9724522
https://blog.csdn.net/weixin_30253941/article/details/11358129
https://blog.csdn.net/weixin_39964660/article/details/11358129
