Python实现连续变量最优分箱详解:基于CART算法
本文详细介绍如何利用Python及CART算法对连续变量进行最优分箱。通过计算基尼系数下降程度确定最佳切分点,并设定叶子节点样本量阈值作为终止条件。文中提供完整代码实现,包括中位数计算、递归分割及结果验证,适用于信用评分等场景。
变量分箱方法概述
变量分箱技术主要划分为两大类别:有监督型与无监督型。
常见的分箱方法包括以下几种:
A. 无监督方法:(1) 等宽分箱 (2) 等频分箱 (3) 聚类分箱
B. 有监督方法:(1) 卡方分箱法(ChiMerge) (2) 基于ID3、C4.5、CART等单变量决策树算法 (3) 信用评分建模中的IV最大化分箱等
CART算法原理与终止条件
本篇内容将使用Python语言,基于CART算法实现连续变量的最优分箱。
由于CART属于决策树分类算法,因此该过程可视为单变量决策树分类的应用。
简要介绍其理论基础:
CART构建的是二叉树,每次仅执行二元分类。针对连续性变量,具体做法是依次计算相邻两个元素值的中位数,从而将数据集划分为两部分。随后计算以该点作为切割点时,基尼系数相较于分割前的下降幅度。每次切分时,选取使基尼系数下降程度最大的点作为最优切分点,接着对切分后的子数据集按照相同原则继续切分,直至满足终止条件为止。
关于CART分类的终止条件:需视具体应用场景而定。在本案例中,设置如下两个条件:a. 每个叶子节点的样本量需大于等于总样本量的5%;b. 内部节点再进行划分所需的最小样本数需大于等于总样本量的10%。
Python代码实现与验证
以下是Python代码的具体实现:
import pandas as pd
import numpy as np
#读取数据集,至少包含变量和target两列
sample_set = pd.read_excel('/数据样本.xlsx')
def calc_score_median(sample_set, var):
'''
计算相邻评分的中位数,以便进行决策树二元切分
param sample_set: 待切分样本
param var: 分割变量名称
'''
var_list = list(np.unique(sample_set[var]))
var_median_list = []
for i in range(len(var_list) -1):
var_median = (var_list[i] + var_list[i+1]) / 2
var_median_list.append(var_median)
return var_median_list
变量var表示需要进行分箱的目标变量名,该函数返回一个包含样本变量中位数的列表。
def choose_best_split(sample_set, var, min_sample):
'''
使用CART分类决策树选择最好的样本切分点
返回切分点
param sample_set: 待切分样本
param var: 分割变量名称
param min_sample: 待切分样本的最小样本量(限制条件)
'''
# 根据样本评分计算相邻不同分数的中间值
score_median_list = calc_score_median(sample_set, var)
median_len = len(score_median_list)
sample_cnt = sample_set.shape[0]
sample1_cnt = sum(sample_set['target'])
sample0_cnt = sample_cnt- sample1_cnt
Gini = 1 - np.square(sample1_cnt / sample_cnt) - np.square(sample0_cnt / sample_cnt)
bestGini = 0.0; bestSplit_point = 0.0; bestSplit_position = 0.0
for i in range(median_len):
left = sample_set[sample_set[var] < score_median_list[i]]
right = sample_set[sample_set[var] > score_median_list[i]]
left_cnt = left.shape[0]; right_cnt = right.shape[0]
left1_cnt = sum(left['target']); right1_cnt = sum(right['target'])
left0_cnt = left_cnt - left1_cnt; right0_cnt = right_cnt - right1_cnt
left_ratio = left_cnt / sample_cnt; right_ratio = right_cnt / sample_cnt
if left_cnt < min_sample or right_cnt < min_sample:
continue
Gini_left = 1 - np.square(left1_cnt / left_cnt) - np.square(left0_cnt / left_cnt)
Gini_right = 1 - np.square(right1_cnt / right_cnt) - np.square(right0_cnt / right_cnt)
Gini_temp = Gini - (left_ratio * Gini_left + right_ratio * Gini_right)
if Gini_temp > bestGini:
bestGini = Gini_temp; bestSplit_point = score_median_list[i]
if median_len > 1:
bestSplit_position = i / (median_len - 1)
else:
bestSplit_position = i / median_len
else:
continue
Gini = Gini - bestGini
return bestSplit_point, bestSplit_position
参数min_sample表示最小叶子节点的样本阈值,若子集样本量小于该阈值则不进行切分,如前文所述,此处设置为整体样本量的5%。
返回的结果在此处仅包含最优分割点,若需获取其他指标如GINI值,可自行扩展代码添加。
def bining_data_split(sample_set, var, min_sample, split_list):
'''
划分数据找到最优分割点list
param sample_set: 待切分样本
param var: 分割变量名称
param min_sample: 待切分样本的最小样本量(限制条件)
param split_list: 最优分割点list
'''
split, position = choose_best_split(sample_set, var, min_sample)
if split != 0.0:
split_list.append(split)
# 根据分割点划分数据集,继续进行划分
sample_set_left = sample_set[sample_set[var] < split]
sample_set_right = sample_set[sample_set[var] > split]
# 如果左子树样本量超过2倍最小样本量,且分割点不是第一个分割点,则切分左子树
if len(sample_set_left) >= min_sample * 2 and position not in [0.0, 1.0]:
bining_data_split(sample_set_left, var, min_sample, split_list)
else:
None
# 如果右子树样本量超过2倍最小样本量,且分割点不是最后一个分割点,则切分右子树
if len(sample_set_right) >= min_sample * 2 and position not in [0.0, 1.0]:
bining_data_split(sample_set_right, var, min_sample, split_list)
else:
None
参数split_list用于保存返回的切分点,每次切分后生成的切分点将存入该列表中。
在此处判断切分点分割出的左子树和右子树是否满足“内部节点再划分所需的最小样本数大于等于总样本量的10%”这一条件,若满足则进行递归调用。
def get_bestsplit_list(sample_set, var):
'''
根据分箱得到最优分割点list
param sample_set: 待切分样本
param var: 分割变量名称
'''
# 计算最小样本阈值(终止条件)
min_df = sample_set.shape[0] * 0.05
split_list = []
# 计算第一个和最后一个分割点
bining_data_split(sample_set, var, min_df, split_list)
return split_list
最后整合上述几个函数调用,返回一个分割点列表。
可以使用sklearn库中的决策树进行单变量分类测试,以验证结果。在分类方法相同且剪枝条件一致的情况下,两者结果应保持一致。
以上关于Python实现连续变量最优分箱的CART算法详解即为分享的全部内容,希望能为大家提供参考,也希望大家多多支持本站。
本站声明
本文内容仅供参考,不代表本站观点。转载或引用请注明出处。如发现内容问题,请通过联系我们页面反馈。













