特征选择问题:特征选择在于选取对训练数据具有分类能力的特征。通常特征选择的准则是信息增益或信息增益比。
设有随机变量(X,Y),其联合概率分布为:
条件熵H(Y|X)表示在已知随机变量X的条件下随机变量Y的不确定性。随机变量X给定的条件下随机变量Y的条件熵(conditional entropy) H(Y|X),定义为X给定条件下Y的条件概率分布的熵对X的数学期望:
当熵和条件熵中的概率由数据估计(特别是极大似然估计)得到时,所对应的熵与条件熵分别称为经验熵( empirical entropy)和经验条件熵(empirical conditional entropy )。
信息增益(information gain)表示得知特征X的信息而使得类Y的信息的不确定性减少的程度.
定义5.2(信息增益):特征A对训练数据集D的信息增益g(D,A),定义为集合D的经验嫡H(D)与特征A给定条件下D的经验条件嫡H(D|A)之差,即
决策树学习中的信息增益等价于训练数据集中类与特征的互信息。
根据信息增益准则的特征选择方法是:对训练数据集(或子集)D,计算其每个特征的信息增益,并比较它们的大小,选择信息增益最大的特征。
|D|表示其样本容量,即样本个数。设有K个类Ck,k=1,2,…,K,|Ck|为属于类Ck的样本个数。根据特征A的取值将D划分为n个子集D1,D2,…,Dn,|Di|为Di的样本个数。记子集Di中属于类Ck的样本的集合为Dik。
其对应代码如下:
#计算给定数据集的熵
def calcShannonEnt(dataSet):
numEntries = len(dataSet) #计算数据集的大小
labelCounts = {}
for featVec in dataSet: #the the number of unique elements and their occurance
currentLabel = featVec[-1] #每次输出数据集的最后一列
'''如果当前键值不存在,则扩张字典,并将当前键值加入字典.每个键值都记录了当前类别出现的次数'''
if currentLabel not in labelCounts.keys(): labelCounts[currentLabel] = 0
labelCounts[currentLabel] += 1
shannonEnt = 0.0
#计算熵
for key in labelCounts:
prob = float(labelCounts[key])/numEntries
shannonEnt -= prob * log(prob,2) #log base 2
return shannonEnt
#按照给定特征划分数据集
#dataSet:带划分的数据集
#axis:划分数据集的特征
#需要返回的特征的值
def splitDataSet(dataSet, axis, value):
retDataSet = []
for featVec in dataSet:
if featVec[axis] == value:
reducedFeatVec = featVec[:axis] #chop out axis used for splitting
reducedFeatVec.extend(featVec[axis+1:])
retDataSet.append(reducedFeatVec)
return retDataSet
#选择最好的数据集划分方式
def chooseBestFeatureToSplit(dataSet):
numFeatures = len(dataSet[0]) - 1 #计算数据含有多少个特征
baseEntropy = calcShannonEnt(dataSet) #计算整个数据的原始熵
bestInfoGain = 0.0; bestFeature = -1
for i in range(numFeatures): #迭代所有的特征
featList = [example[i] for example in dataSet]# 创建一个list 存储数据的某一个特征值的所有值
uniqueVals = set(featList) #例:featList=[1, 1, 1, 0, 0],则uniqueVals={0, 1}
newEntropy = 0.0
for value in uniqueVals:
subDataSet = splitDataSet(dataSet, i, value) #对每一个唯一属性值划分一次数据集
prob = len(subDataSet)/float(len(dataSet))
newEntropy += prob * calcShannonEnt(subDataSet) #对所有唯一特征值得到的熵求和
infoGain = baseEntropy - newEntropy #计算信息增益; ie reduction in entropy
if (infoGain > bestInfoGain): #compare this to the best gain so far
bestInfoGain = infoGain #if better than current best, set to best
bestFeature = i
return bestFeature #returns an integer