数据挖掘报告86997.docVIP

哈尔滨工业大学 数据挖掘理论与算法实验报告 (2016年度秋季学期) 课程编码 S1300019C 授课教师 邹兆年 学生姓名 汪 瑞 学 号 16S003011 学 院 计算机学院 一、实验内容 决策树算法是一种有监督学习的分类算法；kmeans是一种无监督的聚类算法。 本次实验实现了以上两种算法。在决策树算法中采用了不同的样本划分方式、不同的分支属性的选择标准。在kmeans算法中，比较了不同初始质心产生的差异。 本实验主要使用python语言实现，使用了sklearn包作为实验工具。 二、实验设计 1.决策树算法 1.1读取数据集 本次实验主要使用的数据集是汽车价值数据。有6个属性，命名和属性值分别如下： buying: vhigh, high, med, low. maint: vhigh, high, med, low. doors: 2, 3, 4, 5more. persons: 2, 4, more. lug_boot: small, med, big. safety: low, med, high. 分类属性是汽车价值，共4类，如下： class values：unacc, acc, good, vgood 该数据集不存在空缺值。 由于sklearn.tree只能使用数值数据，因此需要对数据进行预处理，将所有标签类属性值转换为整形。 1.2数据集划分 数据集预处理完毕后，对该数据进行数据集划分。数据集划分方法有hold-out法、k-fold交叉验证法以及有放回抽样法（boottrap）。 Hold—out法在pthon中的实现是使用如下语句： 其中，cv是sklearn中cross_validation包，train_test_split方法的参数分别是数据集、数据集大小、测试集所占比、随机生成方法的可选项。该方法分别返回，训练集、测试集在原数据集中的序号以及对应的所属类别的序号。 K-flod法实现较为简单。如下： xl为数据集大小，n_folds为划分若干折，一般可用10-fold验证。返回值loo中是包含两个元组的列表，这两个元组分别是train_index和test_index的列表。 Bootstrap法实现如下，其与k-fold方法类似。 1.3创建和训练决策树及评价 数据集划分完毕后，就需要建立决策树并结合训练集来训练决策树。 建立决策树只需要调用tree.DecisionTreeClassifier()方法即可。它有一些参数可以根据需求进行设置。 Criterion选项，默认是“Gini”，表示决策树非叶节点划分依据是根据Gini指数表示划分的纯度。可选值有“entropy”，用信息增益来衡量划分的优劣。Sklearn.tree中没有支持用错分类误差法来衡量节点划分的优劣。 min_samples_split选项，是指一个非叶节点继续划分所需要的最小样本数，如果该节点下的待分样本小于该值，则终止该节点划分，节点被标记为占多少的类，形成叶节点。它属于提前抑制决策树增长的方法。 max_depth选项，是指该训练决策树时允许达到的最大深度。默认深度是一直划分到节点纯净或者达到min_samples_split的要求。因此该选项是实验中有必要进行设置的项，以控制决策树过拟合，它属于前剪枝的操作。 min_impurity_split选项，是指划分某节点时所需要的最低不纯度阈值，如果某一节点划分的不纯度低于该值，表明该节点已经可以被接受成为叶节点，无须继续划分。它也是一种提前停止增长的策略。 决策树建立和训练的具体实例如下（用10-fold做例子）： 由于实验采用的是10-fold交叉验证，因此最终准确率应该是每一折准确率的平均值。上述代码也包含了训练决策树和使用测试集验证决策树的代码，即： 该实验的最终准确率约是：test right rate: 0.8165 1.4基于树桩的Adaboost算法 在python中同样也实现了adaboost算法，需要使用AdaBoostClassifier（）方法构造它。它有若干可选项： base_estimator是设置adaboost算法使用的弱分类器，默认是一层决策树，即树桩。 n_estimators是设置迭代次数，每一次迭代时该算法选择数据集中的某一特征作为树桩的分类节点，训练集中被错误分类的记录将被增加权重，正确分类的记录将被降低权重，权重更新后的数据集将用于下一次迭代。初始时各个记录权重均为1/n，n为记录数目。 主要的实