分类模型的评估
estimator.score()：一般最常见使用的是准确率，即预测结果正确的百分比
混淆矩阵
在分类任务下，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵(适用于多分类)
精确率(Precision)与召回率(Recall)分类模型评估API
• sklearn. metrics.classification_report交叉验证与网格搜索
交叉验证定义：
为了让被评估的模型更加准确可信
交叉验证过程：
将拿到的训练集数据，分为训练和验证集。以下图为例：将数据分成4份，其中一份作为验证集。然后经过4次(组)的测试，每次都更换不的验证集。即得到4组模型的结果，取平均值作为最终结果。又称4折交叉验证。
网格搜索-超参数搜索（调参数）通常情况下，有很多参数是需要手动指定的（如k-近邻算法中的K值），这种叫超参数。但是手动过程繁杂，所以需要对模型预设几种超参数组合。每组超参数都采用交叉验证来进行评估。最后选出最优参数组合建立模型。
超参数搜索-网格搜索API
sklearn.model_selection.GridSearchCV
决策树与随机森林 决策树决策树思想的来源非常朴素，程序设计中的条件分支结构就是if-then结构，最早的决策树就是利用这类结构分割数据的一种分类学习方法
信息熵 • H 的专业术语称之为信息熵，单位为比特。 • 公式：
决策树的划分依据之一-信息增益
特征A对训练数据集D的信息增益g(D,A),定义为集合D的信息熵H(D)与特征A给定条件下D的信息条件熵H(D|A)之差，即公式为：
注：信息增益表示得知特征X的信息而使得类Y的信息的不确定性减少的程度
信息增益的计算
信息熵的计算：
条件熵的计算：
注：C_k 表示属于某个类别的样本数，
常见决策树使用的算法 • ID3
信息增益 最大的准则
• C4.5信息增益比 最大的准则
• CART回归树: 平方误差 最小
分类树: 基尼系数 最小的准则 在sklearn中可以选择划分的原则
sklearn决策树APIclass sklearn.tree.DecisionTreeClassifier(criterion=’gini’, max_depth=None,random_state=None)
决策树的优缺点以及改进 优点： 1.简单的理解和解释，树木可视化。 2.需要很少的数据准备，其他技术通常需要数据归一化，缺点：
1. 决策树学习者可以创建不能很好地推广数据的过于复杂的树， 这被称为过拟合。
2.决策树可能不稳定，因为数据的小变化可能会导致完全不同的树被生成
改进：
减枝cart算法(决策树已有API实现)
随机森林
集成学习方法-随机森林集成学习通过建立几个模型组合的来解决单一预测问题。它的工作原理是生成多个分类器/模型，各自独立地学习和作出预测。这些预测最后结合成单预测，因此优于任何一个单分类的做出预测。
随机森林定义：在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。
学习算法
根据下列算法而建造每棵树：
• 用 N 来表示训练用例（样本）的个数， M 表示特征数目。 • 输入特征数目 m ，用于确定决策树上一个节点的决策结果；其中 m 应远小于 M 。 • 从 N 个训练用例（样本）中以 有放回抽样 的方式，取样 N 次，形成一个训练集（即 bootstrap 取样），并用未抽到的用例（样本）作预测，评估其误差。 • 为什么要随机抽样训练集？如果不进行随机抽样，每棵树的训练集都一样，那么最终训练出的树分类结果也是完全一样的
• 为什么要有放回地抽样？如果不是有放回的抽样，那么每棵树的训练样本都是不同的，都是没有交集的，这样每棵树都是“有偏的”，都是绝对“片面的”（当然这样说可能不对），也就是说每棵树训练出来都是有很大的差异的；而随机森林最后分类取决于多棵树（弱分类器）的投票表决。
集成学习API
class sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’, max_depth=None, bootstrap=True, random_state=None)
随机森林的优点 • 在当前所有算法中，具有极好的准确率 • 能够有效地运行在大数据集上 • 能够处理具有高维特征的输入样本，而且不需要降维 • 能够评估各个特征在分类问题上的重要性
对于缺省值问题也能够获得很好得结果
