기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[ML] 결정트리(Decision Tree) 모델

결정트리(Decision Tree) 모델

결정트리(decision tree) 모델은 분류 및 회귀에 사용되는 비모수적 지도학습방법으로 데이터의 특징들에서 추론된 규칙들에 의해 분류하여 예측값을 반환합니다. klearn.tree.DecisionTreeClassifier() 클래스를 사용하여 모델을 생성합니다.

클래스이 인수는 다음과 같습니다.

  • max_depth: 분류 단계를 지정, 기본값은 min_sample_split에 지정된 수 또는 분류된 객체의 entropy가 최소가 될때까지 분류가 진행
  • min_sample_split: 분류된 그룹의 데이터수로 기본값은 2, 이에 적합된 노드에서 학습은 종료됩니다.
  • max_feature: 최적의 분류를 찾을 때 고려되는 특징의 수, 기본값은 none
  • random_state: random_seed의 역할

다음은 make_classification() 함수를 적용하여 생성한 가공 데이터 셋에 대해 생성한 결정트리모델입니다.

import numpy as np
import pandas as pd
from sklearn.datasets import make_classification
from sklearn.preprocessing import StandardScaler
from sklearn.tree import DecisionTreeClassifier 
from sklearn.model_selection import train_test_split 
from sklearn import metrics 
import matplotlib.pyplot as plt
import seaborn as sns
X1, y =make_classification(n_samples=100, random_state=41)
X=X1[:, :2]
X.shape, y.shape
((100, 2), (100,))
clf=DecisionTreeClassifier().fit(X, y)
pred=clf.predict(X)
acc=metrics.accuracy_score(y, pred)
acc
1.0

결정트리의 각 단계를 노드(node)라고 하며 최상위의 노드를 뿌리 노드(root node), 다음의 각 단계를 노드(node), 마지막의 최종 결과를 터미널 노드 또는 잎 노드(terminal or leaf node)라고 합니다.

다음은 이 모델에 의한 분류 과정을 tree.plot_tree() 함수를 사용하여 시각화 한 것입니다. 함수의 인수인 max_depth에 정수를 전달하여 분류 단계를 분리하여 나타낼 수 있습니다. 다음 그림은 분류 2단계까지 나타낸 것이로 분류 기준과 대응하는 결과를 나타내고 있습니다.

from sklearn import tree
fig=plt.figure(figsize=(10, 8))
_=tree.plot_tree(clf, class_names=["0","1"], max_depth=2, filled=True, fontsize=9)
plt.show()

위 그림의 각 노드는 분류기준과 그에 따른 결과를 나타냅니다. 결정트리와 다중 클래스의 분류 모델인 RandomForest는 분류기준으로 데이터의 엔트로피(entropy or impurity)로 부터 계산되는 정보획득 또는 gini index를 사용합니다. 위 그림에서는 gini index를 사용하는 것으로 식 1과 같이 계산됩니다.

\begin{align} \text{gini index}&=1-\sum^n_{i=0}p(x=i)^2\\\tag{식 1}n:&\,\text{클래스의 수}\\p(x=i):&\,\text{class i의 확률 }\end{align}

다음은 1단계에서 True로 분류된 노드의 라벨의 내용입니다. 모두가 1이므로 p(x=1)=1, p(x=0)=0이므로 gini index는 0이 됩니다.

t1=np.where(X[:,0]<=-1.471)[0]
y[t1]
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1])
gini_t1=1-1**2; gini_t1
0

다음은 1단계에서 False로 분류된 노드의 라벨 내용입니다.

f1=np.where(X[:,0]>-1.471)[0]
y[f1]
array([1, 1, 0, 0, 1, 1, 1, 1, 0, 1, 1, 0, 0, 0, 1, 0, 1, 0, 1, 0, 0, 1,
       0, 1, 0, 0, 1, 1, 0, 1, 0, 0, 1, 1, 1, 0, 0, 0, 0, 1, 0, 1, 1, 0,
       0, 1, 1, 0, 0, 0, 1, 0, 0, 1, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0,
       0, 0, 0, 0, 0, 1, 0, 1, 0, 1, 0, 1, 0, 0, 0, 0, 1, 0, 1, 1, 1, 1,
       0])
np.unique(y[f1], return_counts=True)
(array([0, 1]), array([50, 39], dtype=int64))
T=len(f1)
gini=1-(50/T)**2-(39/T)**2
gini
0.4923620754955182

결정트리는 모델에 대한 이해가 용이하며 시각화 할 수 있습니다. 또한 정규화, 누락값 제거등의 데이터의 전처리가 필요하지 않으며 다중 출력을 위한 모델을 생성할 수 있습니다. 그러나 지나치게 복잡한 트리를 형성하면 과적합의 문제를 유발시킬 수 있으며 데이터의 작은변화로 다른 트리가 생성되는 불안정성을 내재하고 있습니다. 즉, 이 모델을 일반화하는 것은 쉽지 않습니다.

다음은 데이터 pima-indians-diabetes에 대해 결정트리 모델을 생성합니다. 다운받은 데이터는 .csv 형식으로 pd.read_csv(경로, …) 함수로 호출합니다.

data=pd.read_csv("pima-indians-diabetes.csv")
data.head(3)
preg plas pres skin test mass pedi age class
0 6 148 72 35 0 33.6 0.627 50 1
1 1 85 66 29 0 26.6 0.351 31 0
2 8 183 64 0 0 23.3 0.672 32 1

위 데이터의 변수 class를 라밸로 설정하며 훈련세트(train)와 검정세트(test)로 분리하여 훈련세트로 학습합니다.

ind=data.drop(columns="class")
de=data.iloc[:,-1]
de[:3]
0    1
1    0
2    1
Name: class, dtype: int64
Xtr, Xte, ytr, yte=train_test_split(ind, de, test_size=0.1, random_state=1)
Xtr.shape, Xte.shape
((691, 8), (77, 8))

훈련세트에 대해 모델을 생성하고 훈련과 검증 세트에 대한 정확도를 측정합니다. 정확도는 model의 메소드.score(X, y) 또는 metrics.accuracy_score(y, y_pre) 함수로 즉정할 수 있습니다.

sklearn.tree.DecisionTreeClassifier() 클래스로 모델을 생성합니다. 이 클래스 인수 max_depth에 의해 분류의 단계를 설정할 수 있으며 기본값은 분류된 객체들의 엔트로피(불순도)가 순수해 질 때까지 또는 min_sample_split에 지정된 수에 도달 할 때까지 이루어 집니다. 다음 결과는 max_depth를 지정하지 않은 경우로 훈련세트의 정확도는 1이지만 검정 세트에 대해서 67% 정도로 큰 차이를 보입니다. 즉, 이 모델의 일반화는 어렵다고 할 수 있습니다.

clfS=DecisionTreeClassifier(random_state=1).fit(Xtr, ytr)
clfS.score(Xtr, ytr)
1.0
clfS.score(Xte, yte)
0.6753246753246753

모델의 max_depth의 변화에 따른 훈련과 검정 세트에 대한 정확도의 변화를 시각해 봅니다.

rng=np.arange(4, 19, 2)
trScore={}
teScore={}
for i in rng:
    m=DecisionTreeClassifier(max_depth=i, random_state=1).fit(Xtr, ytr)
    trScore[i]=m.score(Xtr, ytr)
    teScore[i]=m.score(Xte, yte)
plt.figure(figsize=(4,3))
plt.plot(trScore.keys(), trScore.values(), color="b", label="Train set")
plt.plot(teScore.keys(), teScore.values(), color="r", label="Test set")
plt.xlabel("max_depth")
plt.ylabel("accuacy")
plt.legend(loc="best")
plt.show()

위 결과는 이 모델에 의한 일반화가 쉽지 않음을 나타냅니다. 다음은 max_depth=14에서 이진분류 모델의 평가에 적용되는 여러 결과를 나타내봅니다(이진분류 추정기의 평가 참조).

model=DecisionTreeClassifier(max_depth=14, random_state=1).fit(Xtr, ytr)
def clf_eval(y, y_pre):
    confMat=confusion_matrix(y, y_pre)
    acc=accuracy_score(y, y_pre)
    preci=precision_score(y, y_pre)
    recall=recall_score(y, y_pre)
    f1=f1_score(y, y_pre)
    re=pd.Series([acc, preci, recall, f1], index=["accuracy","precision","recall", "F1 score"])
    return(confMat, re)
predTr=model.predict(Xtr)
tr_eval=clf_eval(ytr, predTr)
tr_eval
(array([[452,   0],
        [  1, 238]], dtype=int64),
 accuracy     0.998553
 precision    1.000000
 recall       0.995816
 F1 score     0.997904
 dtype: float64)

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...