为什么用 python 编写的决策树代码的预测与用 R 编写的代码不同？

Question

我正在使用 python 和 R 中来自 sklearn 的 load_iris 数据集（在 R 中它只是称为 iris）。

我使用“gini”索引以两种语言构建了模型，并且当测试数据直接取自 iris 数据集时，我能够正确地测试这两种语言的模型。

但是，如果我给一个新的数据集作为测试输入，对于同一个 python 和 R 将它分为不同的类别。

我不确定我在这里遗漏了什么或做错了什么，因此非常感谢任何指导。

代码如下： Python 2.7：

from sklearn.datasets import load_iris
from sklearn import tree
iris = load_iris()
model = tree.DecisionTreeClassifier(criterion='gini')
model.fit(iris.data, iris.target)
model.score(iris.data, iris.target)
print iris.data[49],model.predict([iris.data[49]])
print iris.data[99],model.predict([iris.data[99]])
print iris.data[100],model.predict([iris.data[100]])
print iris.data[149],model.predict([iris.data[149]])
print [6.3,2.8,6,1.3],model.predict([[6.3,2.8,6,1.3]])

运行 3.3.2 32 位的 R-Rstudio：

library(rpart)
iris<- iris
x_train = iris[c('Sepal.Length','Sepal.Width','Petal.Length','Petal.Width')]
y_train = as.matrix(cbind(iris['Species']))
x <- cbind(x_train,y_train)
fit <- rpart(y_train ~ ., data = x_train,method="class",parms = list(split = "gini"))
summary(fit)
x_test = x[149,]
x_test[,1]=6.3
x_test[,2]=2.8
x_test[,3]=6
x_test[,4]=1.3
predicted1= predict(fit,x[49,]) # same as python result
predicted2= predict(fit,x[100,]) # same as python result 
predicted3= predict(fit,x[101,]) # same as python result
predicted4= predict(fit,x[149,]) # same as python result
predicted5= predict(fit,x_test) ## this value does not match with pythons result

我的 python 输出是：

[ 5.   3.3  1.4  0.2] [0]
[ 5.7  2.8  4.1  1.3] [1]
[ 6.3  3.3  6.   2.5] [2]
[ 5.9  3.   5.1  1.8] [2]
[6.3, 2.8, 6, 1.3] [2] -----> this means it's putting the test data into virginica bucket

R 输出为：

> predicted1
   setosa versicolor virginica
49      1          0         0
> predicted2
    setosa versicolor  virginica
100      0  0.9074074 0.09259259
> predicted3
    setosa versicolor virginica
101      0 0.02173913 0.9782609
> predicted4
    setosa versicolor virginica
149      0 0.02173913 0.9782609
> predicted5
    setosa versicolor  virginica
149      0  0.9074074 0.09259259 --> this means it's putting the test data into versicolor bucket

请帮忙。谢谢。

Answer 1

决策树涉及很多参数（最小/最大叶大小、树的深度、何时拆分等），不同的包可能有不同的默认设置。如果您想获得相同的结果，则需要确保隐式默认值相似。例如，尝试运行以下命令：

fit <- rpart(y_train ~ ., data = x_train,method="class",
             parms = list(split = "gini"), 
             control = rpart.control(minsplit = 2, minbucket = 1, xval=0, maxdepth = 30))

(predicted5= predict(fit,x_test))
    setosa versicolor virginica
149      0  0.3333333 0.6666667

这里，选择minsplit = 2, minbucket = 1, xval=0 和maxdepth = 30 选项以与sklearn 选项相同，请参阅here。 maxdepth = 30是最大价值rpart会让你拥有； sklearn 此处没有限制）。如果您希望概率等相同，您可能还想使用cp 参数。

同样，

model = tree.DecisionTreeClassifier(criterion='gini', 
                                    min_samples_split=20, 
                                    min_samples_leaf=round(20.0/3.0), max_depth=30)
model.fit(iris.data, iris.target)

我明白了

print model.predict([iris.data[49]])
print model.predict([iris.data[99]])
print model.predict([iris.data[100]])
print model.predict([iris.data[149]])
print model.predict([[6.3,2.8,6,1.3]])

[0]
[1]
[2]
[2]
[1]

这看起来与您最初的 R 输出非常相似。

不用说，当您的预测（在训练集上）看起来“非常好”时要小心，因为您可能会过度拟合数据。例如，查看model.predict_proba(...)，它为您提供sklearn 中的概率（而不是预测的类）。您应该看到，使用您当前的 Python 代码/设置，您几乎肯定会过度拟合。

Answer 2

除了@coffeeinjunky 的回答，你还需要注意参数random_state（这是Python 的参数，不知道R 中叫什么）。树本身的生成是伪随机的，因此您需要指定两个模型具有相同的种子值。否则，您将使用相同的模型进行拟合/预测，并在每次运行时得到不同的结果，因为每次使用的树都不同。

查看 Mueller 和 Guido 中关于决策树的部分——“Python 用于机器学习”。它在视觉上解释不同的参数方面做得很好，如果你只是尝试谷歌搜索，pdf 就会在互联网上流传。借助决策树和集成学习方法，您指定的参数将对预测产生有意义的影响。