機器學習 - 決策樹
決策樹
在本章中，我們將向您展示如何製作一個“決策樹”。決策樹是一個流程圖，可以幫助您根據過去的經驗做出決策。
在示例中，一個人將嘗試決定他/她是否應該去看喜劇表演。
幸運的是，我們示例中的這個人記錄了每次有喜劇表演時的情況，並記錄了一些關於喜劇演員的資訊，還記錄了他們是否去看了。
| Age | 經驗 | 排名 | 國籍 | Go |
| 36 | 10 | 9 | UK | 不推薦 |
| 42 | 12 | 4 | USA | 不推薦 |
| 23 | 4 | 6 | N | 不推薦 |
| 52 | 4 | 4 | USA | 不推薦 |
| 43 | 21 | 8 | USA | 推薦 |
| 44 | 14 | 5 | UK | 不推薦 |
| 66 | 3 | 7 | N | 推薦 |
| 35 | 14 | 9 | UK | 推薦 |
| 52 | 13 | 7 | N | 推薦 |
| 35 | 5 | 9 | N | 推薦 |
| 24 | 3 | 5 | USA | 不推薦 |
| 18 | 3 | 7 | UK | 推薦 |
| 45 | 9 | 9 | UK | 推薦 |
現在，基於這個資料集，Python 可以建立一個決策樹，用於決定是否有新的表演值得參加。
它是如何工作的？
首先，使用 pandas 讀取資料集
要製作決策樹，所有資料都必須是數值的。
我們需要將非數值列 'Nationality' 和 'Go' 轉換為數值。
Pandas 有一個 map() 方法，它接受一個字典，其中包含有關如何轉換值的資訊。
{'UK': 0, 'USA': 1, 'N': 2}
表示將值 'UK' 轉換為 0，'USA' 轉換為 1，'N' 轉換為 2。
示例
將字串值更改為數值
d = {'UK': 0, 'USA': 1, 'N': 2}
df['Nationality'] = df['Nationality'].map(d)
d = {'YES': 1, 'NO': 0}
df['Go'] = df['Go'].map(d)
print(df)
然後，我們必須將特徵列與目標列分開。
特徵列是我們嘗試從中預測的列，目標列是我們嘗試預測其值的列。
示例
X 是特徵列，y 是目標列
features = ['Age', 'Experience', 'Rank', 'Nationality']
X = df[features]
y = df['Go']
print(X)
print(y)
現在我們可以建立實際的決策樹，並用我們的詳細資訊對其進行擬合。首先匯入我們需要的模組
示例
建立並顯示決策樹
import pandas
from sklearn import tree
來自 sklearn.tree 匯入 DecisionTreeClassifier
import matplotlib.pyplot as plt
df = pandas.read_csv("data.csv")
d = {'UK': 0, 'USA': 1, 'N': 2}
df['Nationality'] = df['Nationality'].map(d)
d = {'YES': 1, 'NO': 0}
df['Go'] = df['Go'].map(d)
features = ['Age', 'Experience', 'Rank', 'Nationality']
X = df[features]
y = df['Go']
dtree = DecisionTreeClassifier()
dtree = dtree.fit(X, y)
tree.plot_tree(dtree, feature_names=features)
結果解釋
決策樹使用您先前的決策來計算您想去看喜劇演員表演的可能性。
讓我們來解讀決策樹的各個方面
排名
Rank <= 6.5 意味著所有排名為 6.5 或更低的喜劇演員將沿著 True 箭頭（左側）前進，其餘的將沿著 False 箭頭（右側）前進。
gini = 0.497 指的是劃分的質量，並且始終是一個介於 0.0 和 0.5 之間的數字，其中 0.0 意味著所有樣本都得到了相同的結果，而 0.5 意味著劃分恰好在中間。
samples = 13 意味著在決策的這一點上還有 13 位喜劇演員，因為這是第一步，所以就是所有演員。
value = [6, 7] 意味著在這 13 位喜劇演員中，6 位會得到“否”，7 位會得到“是”。
基尼指數
劃分樣本有很多方法，在本教程中我們使用基尼指數法。
基尼指數法使用此公式
Gini = 1 - (x/n)2 - (y/n)2
其中 x 是正面答案（“是”）的數量，n 是樣本總數，y 是負面答案（“否”）的數量，這使我們得到以下計算
1 - (7 / 13)2 - (6 / 13)2 = 0.497
下一步包含兩個框，一個框用於排名為 6.5 或更低的喜劇演員，另一個框用於其餘的。
True - 5 位喜劇演員在此結束
gini = 0.0 意味著所有樣本都得到了相同的結果。
samples = 5 意味著在此分支中還有 5 位喜劇演員（排名為 6.5 或更低的 5 位喜劇演員）。
value = [5, 0] 意味著 5 位得到“否”，0 位得到“是”。
False - 8 位喜劇演員繼續
國籍
Nationality <= 0.5 意味著國籍值為 0.5 或更低的喜劇演員將沿著左側箭頭前進（這意味著所有來自英國的喜劇演員），其餘的將沿著右側箭頭前進。
gini = 0.219 意味著大約 22% 的樣本會走向一個方向。
samples = 8 意味著在此分支中還有 8 位喜劇演員（排名高於 6.5 的 8 位喜劇演員）。
value = [1, 7] 意味著在這 8 位喜劇演員中，1 位會得到“否”，7 位會得到“是”。
True - 4 位喜劇演員繼續
Age
Age <= 35.5 意味著年齡在 35.5 歲或以下的喜劇演員將沿著左側箭頭前進，其餘的將沿著右側箭頭前進。
gini = 0.375 意味著大約 37.5% 的樣本會走向一個方向。
samples = 4 意味著在此分支中還有 4 位喜劇演員（4 位來自英國的喜劇演員）。
value = [1, 3] 意味著在這 4 位喜劇演員中，1 位會得到“否”，3 位會得到“是”。
False - 4 位喜劇演員在此結束
gini = 0.0 意味著所有樣本都得到了相同的結果。
samples = 4 意味著在此分支中還有 4 位喜劇演員（4 位不是來自英國的喜劇演員）。
value = [0, 4] 意味著在這 4 位喜劇演員中，0 位會得到“否”，4 位會得到“是”。
True - 2 位喜劇演員在此結束
gini = 0.0 意味著所有樣本都得到了相同的結果。
samples = 2 意味著在此分支中還有 2 位喜劇演員（年齡在 35.5 歲或以下的 2 位喜劇演員）。
value = [0, 2] 意味著在這 2 位喜劇演員中，0 位會得到“否”，2 位會得到“是”。
False - 2 位喜劇演員繼續
經驗
Experience <= 9.5 意味著擁有 9.5 年或更少經驗的喜劇演員將沿著左側箭頭前進，其餘的將沿著右側箭頭前進。
gini = 0.5 意味著 50% 的樣本會走向一個方向。
samples = 2 意味著在此分支中還有 2 位喜劇演員（年齡大於 35.5 歲的 2 位喜劇演員）。
value = [1, 1] 意味著在這 2 位喜劇演員中，1 位會得到“否”，1 位會得到“是”。
True - 1 位喜劇演員在此結束
gini = 0.0 意味著所有樣本都得到了相同的結果。
samples = 1 意味著在此分支中還有 1 位喜劇演員（擁有 9.5 年或更少經驗的 1 位喜劇演員）。
value = [0, 1] 意味著 0 位會得到“否”，1 位會得到“是”。
False - 1 位喜劇演員在此結束
gini = 0.0 意味著所有樣本都得到了相同的結果。
samples = 1 意味著在此分支中還有 1 位喜劇演員（擁有超過 9.5 年經驗的 1 位喜劇演員）。
value = [1, 0] 意味著 1 位會得到“否”，0 位會得到“是”。
預測值
我們可以使用決策樹來預測新值。
例如：我應該去看一位 40 歲、美國籍、有 10 年經驗、喜劇排名為 7 的喜劇演員的表演嗎？
不同結果
您會發現，如果您多次執行決策樹，即使輸入相同的資料，它也會給出不同的結果。
這是因為決策樹不能給出 100% 確定的答案。它是基於結果的機率，答案會有所不同。
