在本单元中，您将使用 YDF (Yggdrasil) 决策森林）库训练和解释决策树。
此单元的灵感来源于 🧭? YDF 使用入门 教程。
预赛
在研究数据集之前，请执行以下操作：
- 创建一个新的 Colab 笔记本。
- 放置并执行以下代码行，以安装 YDF 库
创建新的 Colab 笔记本：
!pip install ydf -U - 导入以下库：
import ydf import numpy as np import pandas as pd
棕榈企鹅数据集
此 Colab 使用 <ph type="x-smartling-placeholder"></ph> 棕榈企鹅数据集，其中包含三个动物的大小测量值 企鹅物种：
- 胸带
- 巴布亚语
- Adelie
这是一个分类问题，目标是预测 企鹅。以下是企鹅：
<ph type="x-smartling-placeholder"></ph> 图 16.三种不同的企鹅物种。图片来源： @allisonhorst
以下代码会调用 熊猫 函数将棕榈企鹅数据集加载到内存中：
path = "https://storage.googleapis.com/download.tensorflow.org/data/palmer_penguins/penguins.csv"
dataset = pd.read_csv(path)
label = "species"
# Display the first 3 examples.
dataset.head(3)
下表设置了棕榈企鹅的前 3 个示例的格式 数据集：
<ph type="x-smartling-placeholder"></ph> 表 3.棕榈企鹅的前 3 个示例 。
| 物种 | 岛屿 | bill_length_mm | bill_depth_mm | flipper_length_mm | body_mass_g | 性爱 | 年 | |
|---|---|---|---|---|---|---|---|---|
| 0 次 | Adelie | Torgersen | 39.1 | 18.7 | 181.0 | 3,750.0 | 男性 | 2007 年 |
| 1 | Adelie | Torgersen | 39.5 | 17.4 | 186.0 | 3,800.0 | 女性 | 2007 年 |
| 2 | Adelie | Torgersen | 40.3 | 18.0 | 195.0 | 3,250.0 | 女性 | 2007 年 |
完整数据集包含数值（例如 bill_depth_mm）、
分类（例如 island）和缺失的特征。与神经元
决策森林原生支持所有这些特征类型，
无需进行独热编码、归一化或额外的 is_present 功能。
以下代码单元将数据集拆分为训练集和测试集 set：
# Use the ~20% of the examples as the testing set
# and the remaining ~80% of the examples as the training set.
np.random.seed(1)
is_test = np.random.rand(len(dataset)) < 0.2
train_dataset = dataset[~is_test]
test_dataset = dataset[is_test]
print("Training examples: ", len(train_dataset))
# >> Training examples: 272
print("Testing examples: ", len(test_dataset))
# >> Testing examples: 72
使用默认超参数训练决策树
您可以使用 CART（分类和
回归树）学习算法（也称为学习器），不指定任何
超参数。
这是因为，ydf.CartLearner 学习器提供了良好的默认
超参数值。您将详细了解这种模型的工作原理
详细介绍
model = ydf.CartLearner(label=label).train(train_dataset)
上述调用未指定用作 输入特征。因此，我们使用训练集内的每一列。通话 也没有指定语义（例如数字、分类、文本） 输入特征。因此，系统会自动推断特征语义。
调用 model.plot_tree() 以显示生成的决策树：
model.plot_tree()
在 Colab 中，您可以使用鼠标来显示特定元素的详细信息，例如 作为每个节点中的类别分布。
<ph type="x-smartling-placeholder"></ph> 图 17使用默认超参数训练的决策树。 。
Colab 显示根条件包含 243 个样本。不过，您可以 请记住，训练数据集包含 272 个样本。其余 29 个 示例已自动保留以用于验证和树剪枝。
第一个条件测试 bill_depth_mm 的值。表 4 和表 5 显示了
不同物种的可能性取决于第一个条件的结果。
<ph type="x-smartling-placeholder"></ph>
表 4.如果bill_depth_mm ≥
42.3，则其他物种的概率
| 种类 | 可能性 |
|---|---|
| Adelie（红色） | 8% |
| Gentoo（蓝色） | 58% |
| 胸带（绿色） | 36% |
<ph type="x-smartling-placeholder"></ph>
表 5.不同物种的
bill_depth_mm < 42.3
| 物种 | 可能性 |
|---|---|
| Adelie（红色） | 97% |
| Gentoo（蓝色） | 2% |
| 胸带（绿色） | 0% |
bill_depth_mm 是一个数值特征。因此，结果发现值 42.3
使用二元分类精确拆分，
特征算法。
如果 bill_depth_mm ≥ 42.3 为 True，进一步测试
flipper_length_mm ≥ 207.5几乎可以完美地将
以下代码提供模型的训练和测试准确率：
train_evaluation = model.evaluate(train_dataset)
print("train accuracy:", train_evaluation.accuracy)
# >> train accuracy: 0.9338
test_evaluation = model.evaluate(test_dataset)
print("test accuracy:", test_evaluation.accuracy)
# >> test accuracy: 0.9167
测试准确率高于训练准确率，但这种情况很少见， 准确率。在这种情况下，测试集可能与训练集不同。 然而，情况并非如此，测试被拆分 。更可能的原因是，测试数据集非常小（只有 72 个样本），因此准确度估算值很嘈杂。
在实践中，对于如此小的数据集，使用 交叉验证 更合适，因为它可以计算更准确的评估指标值。 但在本示例中，我们将继续进行测试 简单易用。
改进模型超参数
该模型是使用默认超参数训练的单个决策树 值。为了获得更好的预测结果，您可以：
由于我们尚未看到随机森林和梯度提升树， 并且由于样本数量太少而无法自动 超参数调优，您需要手动改进模型。
上面显示的决策树很小，具有 61 个示例的叶项包含一个 Adelie 和 Chinstrap 的经典品牌组合。为什么算法不分割这片叶子 该怎么办？造成这种情况的原因可能有两种：
- 每个叶的样本数下限（默认为
min_examples=5） 。 - 该树可能遭到了分割，然后进行了剪枝以防止过拟合。
将样本数下限减少到 1 并查看结果：
model = ydf.CartLearner(label=label, min_examples=1).train(train_dataset)
model.plot_tree()
<ph type="x-smartling-placeholder"></ph> 图 18.使用 min_examples=1 训练的决策树。 。
包含 61 个样本的叶节点已进一步划分为多个 次。
为了了解进一步划分节点是否有价值，我们会评估 在测试数据集上训练此新模型：
print(model.evaluate(test_dataset).accuracy)
# >> 0.97222
随着测试准确率从 0.9167 增加到 0.97222。这种超参数更改是个好主意。
上一个决策森林
通过继续改进超参数，我们很有可能 准确率。但是，我们可以训练出更强大的 例如随机森林模型，看看它是否效果更好。
model = ydf.RandomForestLearner(label=label).train(pandas_train_dataset)
print("Test accuracy: ", model.evaluate(pandas_test_dataset).accuracy)
# >> Test accuracy: 0.986111
随机森林的准确度优于我们的简单树。您将 请参阅下文，了解具体原因。
使用和限制
如前所述，一个决策树的质量通常低于现代 随机森林、梯度提升树和神经元等机器学习方法 。不过，决策树在以下情况下仍然有用：
- 作为评估更复杂的方法的简单且实惠的基准。
- 需要在模型质量和可解释性之间进行权衡时。
- 作为解释决策森林模型的代理， 本课程稍后会进一步介绍