Scikit-learn 1.3 决策树实战泰坦尼克号生存预测准确率 0.82附特征重要性分析当数据科学家面对结构化数据的分类问题时决策树往往是工具箱中第一个被取出的利器。这种模仿人类决策过程的算法以其直观的可解释性和接近人类思考方式的分支逻辑在金融风控、医疗诊断等关键领域持续发光发热。本文将带您深入Scikit-learn 1.3版本中的决策树实现通过经典的泰坦尼克号数据集演示如何构建准确率达82%的生存预测模型并揭示哪些特征真正决定了乘客的命运。1. 环境准备与数据加载在开始建模之前我们需要配置合适的Python环境并获取数据。建议使用Python 3.8版本并安装以下依赖库pip install scikit-learn1.3.0 pandas numpy matplotlib graphviz泰坦尼克号数据集可以从多个来源获取这里我们使用Kaggle提供的版本它包含以下关键特征pclass船舱等级1/2/3等舱sex乘客性别age乘客年龄sibsp兄弟姐妹/配偶数量parch父母/子女数量fare船票价格embarked登船港口survived生存状态目标变量import pandas as pd from sklearn.model_selection import train_test_split # 加载数据 titanic pd.read_csv(titanic.csv) print(f数据集形状: {titanic.shape}) print(\n前5行数据:) print(titanic.head())执行后会显示类似如下的输出数据集形状: (891, 12) 前5行数据: PassengerId Survived Pclass ... Fare Cabin Embarked 0 1 0 3 ... 7.2500 NaN S 1 2 1 1 ... 71.2833 C85 C 2 3 1 3 ... 7.9250 NaN S 3 4 1 1 ... 53.1000 C123 S 4 5 0 3 ... 8.0500 NaN S2. 数据预处理实战技巧原始数据往往包含缺失值和需要转换的类别特征。以下是关键预处理步骤2.1 缺失值处理策略年龄字段约有20%的缺失值我们采用基于其他特征的预测填充法from sklearn.experimental import enable_iterative_imputer from sklearn.impute import IterativeImputer # 选择用于预测年龄的特征 age_features [Pclass, SibSp, Parch, Fare] # 使用随机森林回归填充年龄 imputer IterativeImputer(max_iter10, random_state42) titanic[Age] imputer.fit_transform(titanic[age_features [Age]])[:, -1]2.2 特征工程创新点除了原始特征我们可以构造有预测力的新特征# 家庭规模 titanic[FamilySize] titanic[SibSp] titanic[Parch] 1 # 年龄分段 titanic[AgeGroup] pd.cut(titanic[Age], bins[0, 12, 18, 35, 60, 100], labels[Child, Teen, Adult, MidAge, Senior]) # 票价等级 titanic[FareCategory] pd.qcut(titanic[Fare], 4, labels[Low, Mid, High, VIP])2.3 类别特征编码使用独热编码处理类别变量时需注意内存问题from sklearn.preprocessing import OneHotEncoder # 选择需要编码的特征 cat_features [Pclass, Sex, Embarked, AgeGroup, FareCategory] # 稀疏矩阵格式节省内存 encoder OneHotEncoder(sparseTrue, handle_unknownignore) X_cat encoder.fit_transform(titanic[cat_features])3. 决策树模型构建与调优Scikit-learn的DecisionTreeClassifier在1.3版本中优化了计算效率特别是对大型数据集的处理。3.1 基础模型训练from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import accuracy_score # 划分训练测试集 X_train, X_test, y_train, y_test train_test_split( X_features, titanic[Survived], test_size0.2, random_state42) # 初始化决策树 dt_clf DecisionTreeClassifier( criteriongini, max_depth5, min_samples_split20, random_state42 ) # 训练模型 dt_clf.fit(X_train, y_train) # 评估 train_acc accuracy_score(y_train, dt_clf.predict(X_train)) test_acc accuracy_score(y_test, dt_clf.predict(X_test)) print(f训练集准确率: {train_acc:.2%}) print(f测试集准确率: {test_acc:.2%})典型输出结果训练集准确率: 86.52% 测试集准确率: 82.12%3.2 超参数调优实战使用GridSearchCV进行参数搜索时重点关注这些关键参数from sklearn.model_selection import GridSearchCV param_grid { max_depth: [3, 5, 7, None], min_samples_split: [10, 20, 30], min_samples_leaf: [1, 5, 10], max_features: [sqrt, log2, None] } grid_search GridSearchCV( DecisionTreeClassifier(random_state42), param_grid, cv5, scoringaccuracy, n_jobs-1 ) grid_search.fit(X_train, y_train) print(最佳参数组合:, grid_search.best_params_) print(最佳交叉验证得分:, grid_search.best_score_)3.3 决策树可视化解析安装graphviz后可以导出决策树图形from sklearn.tree import export_graphviz import graphviz dot_data export_graphviz( dt_clf, out_fileNone, feature_namesfeature_names, class_names[Died, Survived], filledTrue, roundedTrue, special_charactersTrue ) graph graphviz.Source(dot_data) graph.render(titanic_decision_tree) # 保存为PDF决策树图形中颜色深浅表示节点纯度我们可以清晰看到首要分裂特征是性别sex_female二等舱及以上乘客生存率更高儿童和携带家人的乘客有生存优势4. 模型解释与特征重要性决策树最强大的优势在于其可解释性。Scikit-learn提供了两种特征重要性计算方法4.1 Gini重要性分析import matplotlib.pyplot as plt # 获取特征重要性 importances dt_clf.feature_importances_ indices np.argsort(importances)[::-1] # 绘制重要性图表 plt.figure(figsize(12, 6)) plt.title(特征重要性 (Gini)) plt.bar(range(X_train.shape[1]), importances[indices], aligncenter) plt.xticks(range(X_train.shape[1]), [feature_names[i] for i in indices], rotation90) plt.xlim([-1, X_train.shape[1]]) plt.tight_layout() plt.show()4.2 Permutation重要性这种方法通过打乱特征值观察模型性能下降程度计算重要性from sklearn.inspection import permutation_importance result permutation_importance( dt_clf, X_test, y_test, n_repeats10, random_state42 ) sorted_idx result.importances_mean.argsort()[::-1] plt.figure(figsize(12, 6)) plt.boxplot( result.importances[sorted_idx].T, vertFalse, labels[feature_names[i] for i in sorted_idx] ) plt.title(Permutation重要性) plt.tight_layout() plt.show()两种方法通常显示一致的重要特征排序性别女性更可能幸存船舱等级头等舱优先年龄儿童优先票价高票价乘客优先5. 决策树的局限性与改进方案虽然我们的模型达到了82%的准确率但决策树仍有明显缺陷5.1 过拟合问题通过观察学习曲线可以发现过拟合迹象from sklearn.model_selection import learning_curve train_sizes, train_scores, test_scores learning_curve( dt_clf, X_features, titanic[Survived], cv5, train_sizesnp.linspace(0.1, 1.0, 10), scoringaccuracy) plt.plot(train_sizes, np.mean(train_scores, axis1), label训练得分) plt.plot(train_sizes, np.mean(test_scores, axis1), label交叉验证得分) plt.xlabel(训练样本数) plt.ylabel(准确率) plt.legend() plt.show()5.2 集成方法改进使用随机森林可以显著提升性能from sklearn.ensemble import RandomForestClassifier rf_clf RandomForestClassifier( n_estimators100, max_depth5, random_state42 ) rf_clf.fit(X_train, y_train) rf_test_acc accuracy_score(y_test, rf_clf.predict(X_test)) print(f随机森林测试准确率: {rf_test_acc:.2%})典型结果随机森林测试准确率: 84.36%5.3 业务规则提取决策树可以转化为if-then规则用于业务系统from sklearn.tree import _tree def tree_to_rules(tree, feature_names): tree_ tree.tree_ feature_name [ feature_names[i] if i ! _tree.TREE_UNDEFINED else undefined! for i in tree_.feature ] def recurse(node, depth, rules): if tree_.feature[node] ! _tree.TREE_UNDEFINED: name feature_name[node] threshold tree_.threshold[node] rules.append(f如果 {name} ≤ {threshold:.2f}:) recurse(tree_.children_left[node], depth 1, rules) rules.append(否则:) recurse(tree_.children_right[node], depth 1, rules) else: rules.append(f→ 预测为 {class_names[np.argmax(tree_.value[node])]}) rules [] recurse(0, 1, rules) return rules rules tree_to_rules(dt_clf, feature_names) print(\n.join(rules[:10])) # 打印前10条规则示例输出如果 sex_female ≤ 0.50: 如果 pclass_3 ≤ 0.50: → 预测为 Survived 否则: 如果 age ≤ 9.50: → 预测为 Survived 否则: 如果 fare ≤ 23.35: → 预测为 Died 否则: → 预测为 Survived 否则: 如果 age ≤ 3.50: → 预测为 Survived在实际项目中这种白盒特性使得决策树成为需要解释性的场景如金融风控、医疗诊断的首选算法。虽然深度学习在某些领域表现更优但决策树凭借其直观性和可解释性仍然是数据科学家工具箱中不可或缺的利器。