import pandas as pd

 from sklearn.cross_validation import train_test_split

 from sklearn.feature_extraction import DictVectorizer

 from sklearn.tree import DecisionTreeClassifier

 from sklearn.metrics import classification_report

 from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier

 '''

 集成分类器：

 综合考量多个分类器的预测结果做出考量。

 这种综合考量大体上分两种：

     1 搭建多个独立的分类模型，然后通过投票的方式 比如 随机森林分类器

         随机森林在训练数据上同时搭建多棵决策树，这些决策树在构建的时候会放弃唯一算法，随机选取特征

     2 按照一定次序搭建多个分类模型，

         他们之间存在依赖关系，每一个后续模型的加入都需要现有模型的综合性能贡献，

         从多个较弱的分类器搭建出一个较为强大的分类器，比如梯度提升决策树

         提督森林决策树在建立的时候尽可能降低成体在拟合数据上的误差。

 下面将对比 单一决策树 随机森林 梯度提升决策树 的预测情况

 '''

 '''

 1 准备数据

 '''

 # 读取泰坦尼克乘客数据，已经从互联网下载到本地

 titanic = pd.read_csv("./data/titanic/titanic.txt")

 # 观察数据发现有缺失现象

 # print(titanic.head())

 # 提取关键特征，sex, age, pclass都很有可能影响是否幸免

 x = titanic[['pclass', 'age', 'sex']]

 y = titanic['survived']

 # 查看当前选择的特征

 # print(x.info())

 '''

 <class 'pandas.core.frame.DataFrame'>

 RangeIndex: 1313 entries, 0 to 1312

 Data columns (total 3 columns):

 pclass    1313 non-null object

 age       633 non-null float64

 sex       1313 non-null object

 dtypes: float64(1), object(2)

 memory usage: 30.9+ KB

 None

 '''

 # age数据列 只有633个，对于空缺的 采用平均数或者中位数进行补充 希望对模型影响小

 x['age'].fillna(x['age'].mean(), inplace=True)

 '''

 2 数据分割

 '''

 x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25, random_state=33)

 # 使用特征转换器进行特征抽取

 vec = DictVectorizer()

 # 类别型的数据会抽离出来 数据型的会保持不变

 x_train = vec.fit_transform(x_train.to_dict(orient="record"))

 # print(vec.feature_names_)   # ['age', 'pclass=1st', 'pclass=2nd', 'pclass=3rd', 'sex=female', 'sex=male']

 x_test = vec.transform(x_test.to_dict(orient="record"))

 '''

 3.1 单一决策树 训练模型 进行预测

 '''

 # 初始化决策树分类器

 dtc = DecisionTreeClassifier()

 # 训练

 dtc.fit(x_train, y_train)

 # 预测 保存结果

 dtc_y_predict = dtc.predict(x_test)

 '''

 3.2 使用随机森林 训练模型 进行预测

 '''

 # 初始化随机森林分类器

 rfc = RandomForestClassifier()

 # 训练

 rfc.fit(x_train, y_train)

 # 预测

 rfc_y_predict = rfc.predict(x_test)

 '''

 3.3 使用梯度提升决策树进行模型训练和预测

 '''

 # 初始化分类器

 gbc = GradientBoostingClassifier()

 # 训练

 gbc.fit(x_train, y_train)

 # 预测

 gbc_y_predict = gbc.predict(x_test)

 '''

 4 模型评估

 '''

 print("单一决策树准确度:", dtc.score(x_test, y_test))

 print("其他指标：\n", classification_report(dtc_y_predict, y_test, target_names=['died', 'survived']))

 print("随机森林准确度:", rfc.score(x_test, y_test))

 print("其他指标：\n", classification_report(rfc_y_predict, y_test, target_names=['died', 'survived']))

 print("梯度提升决策树准确度:", gbc.score(x_test, y_test))

 print("其他指标：\n", classification_report(gbc_y_predict, y_test, target_names=['died', 'survived']))

 '''

 单一决策树准确度: 0.7811550151975684

 其他指标：

               precision    recall  f1-score   support

        died       0.91      0.78      0.84       236

    survived       0.58      0.80      0.67        93

 avg / total       0.81      0.78      0.79       329

 随机森林准确度: 0.78419452887538

 其他指标：

               precision    recall  f1-score   support

        died       0.91      0.78      0.84       237

    survived       0.58      0.80      0.68        92

 avg / total       0.82      0.78      0.79       329

 梯度提升决策树准确度: 0.790273556231003

 其他指标：

               precision    recall  f1-score   support

        died       0.92      0.78      0.84       239

    survived       0.58      0.82      0.68        90

 avg / total       0.83      0.79      0.80       329

 '''