【说明】函数说明-bins.merge.tree

API说明：bins.merge.tree- 决策树分箱(连续变量)

一、函数说明

bins.merge.tree用于将连续变量进行决策树分箱，返回分箱的结果。

决策树分箱就是将变量与y进行CART决策树建模，再将最终树的叶子节点作为分箱结果。

bins.merge.tree的完整调用格式如下：

 bin_set = bins.merge.tree(x,y,max_depth=3,min_sample=None) 

• 入参说明

x：需要进行分箱的变量。

     数据类型：单列pandas.core.series或numpy.array

y：好坏标签，0为好，1为坏。

     数据类型：单列pandas.core.series或numpy.array

max_depth：决策树的最大深度。

   数据类型：正整数

min_sample：最小样本个数。

   数据类型：正整数或None

     min_sample=None时，它取值为样本数/5/3，这样一般会分为5-10个箱左右

备注：决策树分箱没有直接控制分箱数量的参数，只能通过调整树深度、叶子最小样本数来控制与调整。

• 出参说明

bin_set：等距分箱的结果。

二、函数示例

bins.merge.tree使用示例如下：

import bbbrisk as br					
           
# 加载数据                    
data = br.datasets.load_bloan()                                    # 加载数据
x,y  = data['rev'],data['is_bad']                                  # 变量与标签		

# 决策树分箱				           
bin_set  = br.bins.merge.tree(x,y,max_depth=3,min_sample=None)     # 将变量进行决策树分箱
bin_stat = br.bins.Bins(bin_set).binStat(x,y)                      # 统计分箱结果
															       
# 显示结果                                                         
br.display.pd.set(width=300,max_colwidth=30,max_rows=30)           # 美化pandas的显示方式
print('\n分箱结果:\nbin_set = ',bin_set)                           # 显示分箱结果
print('\n样本在分箱的分布:\n',bin_stat)                            # 显示样本分布

运行结果如下：

好了，以上就是bins.merge.tree函数的使用方法了~