如何使用 sklearn 从决策树模型中提高预测的准确性？

Question

我使用 sklearn 在 Python 中创建了一个决策树模型，它从一个大型公共数据集中获取数据，该数据集将人为因素（年龄、体重指数、性别、吸烟等）与保险公司支付的医疗费用相关联年。我使用 0.2 的测试大小拆分数据集，但平均绝对误差和均方误差非常高。我尝试进行不同的拆分（0.5、0.8），但没有得到任何不同的结果。预测模型在某些方面似乎很不理想，但我不确定缺少哪些部分以及需要改进的部分。我附上了我的输出照片（通过 IMGUR 链接，因为我无法添加照片）以及我的代码，我感谢任何正确方向的指导！

https://imgur.com/a/6D74uB0

dataset = pd.read_csv('insurance.csv')

LE = LabelEncoder()
LE.fit(dataset.sex.drop_duplicates())
dataset.sex = LE.transform(dataset.sex)
LE.fit(dataset.smoker.drop_duplicates())
dataset.smoker = LE.transform(dataset.smoker)
LE.fit(dataset.region.drop_duplicates())
dataset.region = LE.transform(dataset.region)

print("Data Head")
print(dataset.head())
print()
print("Data Info")
print(dataset.info())
print()



for i in dataset.columns:
    print('Null Values in {i} :'.format(i = i) , dataset[i].isnull().sum())


X = dataset.drop('charges', axis = 1) 
y = dataset['charges'] 


X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.2, random_state=0)  

regressor = DecisionTreeRegressor()  
regressor.fit(X_train, y_train)  

y_pred = regressor.predict(X_test) 

df = pd.DataFrame({'Actual Value': y_test, 'Predicted Values': y_pred})  
print(df)

print('Mean Absolute Error:', metrics.mean_absolute_error(y_test, y_pred))
print('Mean Squared Error:', metrics.mean_squared_error(y_test, y_pred))
print('Root Mean Squared Error:', np.sqrt(metrics.mean_squared_error(y_test, y_pred)))

Answer 1

Bootstrap Aggregating (https://en.wikipedia.org/wiki/Bootstrap_aggregating) 是一种减少估算器方差的简单方法。如果您已经在使用 sklearn 回归器，则几乎不需要额外的代码。下面是一个示例，说明如何使用简单袋装估计器来减少模型的方差：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.2, random_state=0)  

regressor = DecisionTreeRegressor() 
b_regressor = BaggingRegressor(regressor, n_estimators = 100, max_features=3, max_samples=.5)  # get Boostrap aggregation ensemble regressor 

# Fit+predict using regular regressor
regressor.fit(X_train, y_train)  
y_pred = regressor.predict(X_test) 

# Fit predict using bootstrap aggregation
b_regressor.fit(X_train, y_train)  
y_b_pred = b_regressor.predict(X_test) 

df = pd.DataFrame({'Actual Value': y_test, 'Predicted Values': y_pred, 'Bagging Predicted Values': y_b_pred})  
print(df)

print('Mean Absolute Error (Regular):', metrics.mean_absolute_error(y_test, y_pred))
print('Mean Squared Error (Regular):', metrics.mean_squared_error(y_test, y_pred))
print('Root Mean Squared Error (Regular):', np.sqrt(metrics.mean_squared_error(y_test, y_pred)))

print('Mean Absolute Error (Bagging):', metrics.mean_absolute_error(y_test, y_b_pred))
print('Mean Squared Error (Bagging):', metrics.mean_squared_error(y_test, y_b_pred))
print('Root Mean Squared Error (Bagging):', np.sqrt(metrics.mean_squared_error(y_test, y_b_pred)))

Answer 2

您可以使用xgboost，这是使用提升算法。

Answer 3

如果你还没有做某些事情你可以做：

1. 在非分类列/特征上使用来自 scikit-learn 的 StandardScaler()。
2. 使用 scikit-learn 中的 GridSearchCV 搜索适当的超参数，而不是手动进行。虽然，选择手动执行此操作可能会让您了解哪些参数值可能有效。
3. 仔细检查DecisionTreeRegressor 的文档，确保您的实现与文档一致。

看看这是否有帮助。