2024年python机器学习实现oneR算法 以鸢尾data为例(2)

from sklearn.metrics import classification_report

加载内置iris数据，并保存

dataset = load_iris()

X = dataset.data

y = dataset.target

attribute_means = X.mean(axis=0) # 得到一个列表，列表元素个数为特征值个数，列表值为每个特征的均值

X_d = np.array(X >= attribute_means, dtype=‘int’) # 转bool类型

数据到此已获取完毕，接下来将其划分为训练集和测试集。

二、划分为训练集和测试集

==================================================================================

使用默认的0.25作为分割比例。即训练集：测试集=3:1。

X_train, X_test, y_train, y_test = train_test_split(X_d, y, random_state=random_state)

数据描述：

本例中共有四个特征，

原数据集有150个样本，分割后训练集有112个数据，测试集有38个数据。

标签一共分为三类，取值可以是0,1,2。

三、定义函数：获取某特征值出现次数最多的类别及错误率

================================================================================================

首先遍历特征的每一个取值，对于每一个特征值，统计它在各个类别中出现的次数。

定义一个函数，有以下四个参数：

• X, y_true即 训练集数据和标签

• feature是特征的索引值，可以是0,1,2,3。

• value是特征可以有的取值，这里为0,1。

该函数的意义在于，对于训练集数据，对于某个特征，依次遍历样本在该特征的真实取值，判断其是否等于特征的某个可以有的取值 （即value）（以0为例）。如果判定成功，则在字典class_counts中记录，以三个类别（0，1，2）中该样本对应的类别为键值，表示该类别出现的次数加一。

首先得到的字典（class_counts）形如：

{0: x1, 1.0: x2, 2.0:x3}

其中元素不一定是三个

x1：类别0中，某个特征feature的特征值为value（0或1）出现的次数

x2：类别0中，某个特征feature的特征值为value（0或1）出现的次数

x3：类别0中，某个特征feature的特征值为value（0或1）出现的次数

然后将class_counts按照值的大小排序，取出指定特征的特征值出现次数最多的类别：most_frequent_class。

该规则即为：该特征的该特征值出现在其出现次数最多的类别上是合理的，出现在其它类别上是错误的。

最后计算该规则的错误率：error

错误率即 具有该特征的个体在除出现次数最多的类别出现的次数，代表分类规则不适用的个体的数量。

最后返回待预测的个体类别 和 错误率

def train_feature_value(X, y_true, feature, value):

class_counts = defaultdict(int)

for sample, y_t in zip(X, y_true):

if sample[feature] == value:

class_counts[y_t] += 1

sorted_class_counts = sorted(class_counts.items(), key=itemgetter(1), reverse=True) # 降序

most_frequent_class = sorted_class_counts[0][0]

error = sum([class_count for class_value, class_count in class_counts.items()

if class_value != most_frequent_class])

return most_frequent_class, error

返回值most_frequent_class是一个字典, error是一个数字

四、定义函数：获取每个特征值下出现次数最多的类别、错误率

==================================================================================================

def train(X, y_true, feature):

n_samples, n_features = X.shape

assert 0 <= feature < n_features

获取样本中某特征所有可能的取值

values = set(X[:, feature])

predictors = dict()

errors = []

for current_value in values:

most_frequent_class, error = train_feature_value(X, y_true, feature, current_value)

predictors[current_value] = most_frequent_class

errors.append(error)

total_error = sum(errors)

return predictors, total_error

因为most_frequent_class是一个字典，所以predictors是一个键为特征可以的取值(0和1)，值为字典most_frequent_class的 字典。

total_error是一个数字，为每个特征值下的错误率的和。

五、调用函数，获取最佳特征值

====================================================================================

all_predictors = {variable: train(X_train, y_train, variable) for variable in range(X_train.shape[1])}

Errors = {variable: error for variable, (mapping, error) in all_predictors.items()}

找到错误率最低的特征

best_variable, best_error = sorted(Errors.items(), key=itemgetter(1))[0] # 升序

print(“The best model is based on feature {0} and has error {1:.2f}”.format(best_variable, best_error))

找到最佳特征值，创建model模型

model = {‘variable’: best_variable,

‘predictor’: all_predictors[best_variable][0]}

print(model)

根据代码运行结果，最佳特征值是特征2（索引值为2的feature，即第三个特征）。

对于初学者这里的代码逻辑比较复杂，可以对变量进行逐个打印查看，阅读blog学习时要盯准字眼，细品其逻辑。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！