《机器学习实战》学习笔记（2）—— 使用ID3算法构造决策树

1 决策树算法概述

工作原理：

得到原始数据集，然后基于最好的属性值划分数据集，由于特征值可能多余两个，因此可能存在大于两个分支的数据集划分。第一次划分后，数据将被向下传递到树分支的下一个节点，在这个节点上，我们可以再次划分数据。

递归结束的条件：

程序遍历完所有划分数据集的属性，或者每个分支下的所有实例都具有相同的分类。如果所有实例具有相同的分类， 则得到一个叶子节点或终止块。任何到达叶子结点的数据必然属于叶子节点的分类。

---

2 创建分支 createBranch() 的伪代码

检测数据集中的每个子项是否属于同一分类：
    If so
        return 类标签
    Else
        寻找划分数据集的最好特征
        划分数据集
        创建分支节点
            for 每个划分的子集
                调用 createBranch() 函数并增加返回结果到分支节点中
        return 分支节点

---

3 Wiki——奥卡姆剃刀原理、ID3算法、信息熵与信息增益

（1）奥卡姆剃刀原理

奥卡姆剃刀（英语：Occam’s Razor, Ockham’s Razor），意思是简约之法则。他在《箴言书注》2卷15题说

切勿浪费较多东西，去做‘用较少的东西，同样可以做好的事情’。

换一种说法，如果关于同一个问题有许多种理论，每一种都能作出同样准确的预言，那么应该挑选其中使用假定最少的。尽管越复杂的方法通常能作出越好的预言，但是在不考虑预言能力（即结果大致相同）的情况下，假设越少越好。

（2）ID3算法介绍

ID3算法是决策树的一种，它是基于奥卡姆剃刀原理的，即用尽量用较少的东西做更多的事。ID3算法，即Iterative Dichotomiser 3，迭代二叉树3代，是Ross Quinlan发明的一种决策树算法，这个算法的基础就是上面提到的奥卡姆剃刀原理，越是小型的决策树越优于大的决策树，尽管如此，也不总是生成最小的树型结构，而是一个启发式算法。

在信息论中，期望信息越小，那么信息增益就越大，从而纯度就越高。ID3算法的核心思想就是以信息增益来度量属性的选择，选择分裂后信息增益最大的属性进行分裂。该算法采用自顶向下的贪婪搜索遍历可能的决策空间。

（3）信息熵（Information entropy）

在信息论中，熵是接收的每条消息中包含的信息的平均量，又被称为香农熵、信息熵、信源熵、平均自信息量。这里，“消息”代表来自分布或数据流中的事件、样本或特征。（熵最好理解为不确定性的量度而不是确定性的量度，因为越随机的信源的熵越大。）

熵越高，混合的信息越多

   假如一个随机变量的取值为，每一种取到的概率分别是，那么

   的熵定义为

 

             

 

   意思是一个变量的变化情况可能越多，那么它携带的信息量就越大。

 

   对于分类系统来说，类别是变量，它的取值是，而每一个类别出现的概率分别是

 

             

 

   而这里的就是类别的总数，此时分类系统的熵就可以表示为

 

             

（4）信息增益（Information Gain）

   信息增益是针对一个一个特征而言的，就是看一个特征，系统有它和没有它时的信息量各是多少，两者

的差值就是这个特征给系统带来的信息量，即信息增益。

   接下来以天气预报的例子来说明。下面是描述天气数据表，学习目标是play或者not play。

 

   

 

   可以看出，一共14个样例，包括9个正例和5个负例。那么当前信息的熵计算如下

 

   

 

   在决策树分类问题中，信息增益就是决策树在进行属性选择划分前和划分后信息的差值。假设利用

   属性Outlook来分类，那么如下图

 

   

 

      划分后，数据被分为三部分了，那么各个分支的信息熵计算如下

 

       

 

       那么划分后的信息熵为

 

        

 

        代表在特征属性的条件下样本的条件熵。那么最终得到特征属性带来的信息增益为

 

        

 

   信息增益的计算公式如下

 

   

 

   其中为全部样本集合，是属性所有取值的集合，是的其中一个属性值，是中属性的

   值为的样例集合，为中所含样例数。

 

   在决策树的每一个非叶子结点划分之前，先计算每一个属性所带来的信息增益，选择最大信息增益的属性来划分，因为信息增益越大，区分样本的能力就越强，越具有代表性，很显然这是一种自顶向下的贪心策略。以上就是ID3算法的核心思想。

（5）关于信息增益的深入理解

熵：表示随机变量的不确定性。

条件熵：在一个条件下，随机变量的不确定性。

信息增益：熵 - 条件熵在一个条件下，信息不确定性减少的程度！

通俗地讲，X(明天下雨)是一个随机变量，X的熵可以算出来， Y(明天阴天)也是随机变量，在阴天情况下下雨的信息熵我们如果也知道的话（此处需要知道其联合概率分布或是通过数据估计）即是条件熵。两者相减就是信息增益！

原来明天下雨例如信息熵是2，条件熵是0.01（因为如果是阴天就下雨的概率很大，信息就少了），这样相减后为1.99，在获得阴天这个信息后，下雨信息不确定性减少了1.99！是很多的！所以信息增益大！

也就是说，阴天这个信息对下雨来说是很重要的！所以在特征选择的时候常常用信息增益，如果IG（信息增益大）的话那么这个特征对于分类来说很关键~~ 决策树就是这样来找特征的！

---

4 决策树的优点与缺点

（1）优点

计算复杂度不高，输出易于理解的结果，对于中间值的缺失不敏感，可以处理不相关特征数据

（2）缺点

可能会产生过度匹配问题

---

5 Python代码实现

（1）计算香农熵

# 划分数据集的大原则是： 将无序的数据变得更加有序（尽量使信息熵降低）
# 信息增益（information gain）： 在划分数据集前后信息熵发生的变化
# 获得 信息增益 最高 的特征就是最好的选择
# 集合信息 的 度量方式称为 香农熵（ShannonEntropy） 或 熵（entropy）

def calcShannonEnt(dataSet):
    """
    计算给定数据集的 香农熵
    :param dataSet:
    :return:
    """
    # 计算输入数据集的 样本 总数
    numEntries = len(dataSet)

    # 创建一个用于统计 标签 出现次数的 dict
    labelCounts = {}

    # 遍历数据集中的 样本
    for featVec in dataSet:
        # 当前 样本 的 标签 为 featVec[-1]
        currentLabel = featVec[-1]

        # 记录标签的出现次数
        if currentLabel not in labelCounts.keys():
            labelCounts[currentLabel] = 0
        labelCounts[currentLabel] += 1

    # 香农熵 初始化
    shannonEnt = 0.0

    # 遍历字典 labelCounts 的 key
    for key in labelCounts:

        # 计算 标签 出现的 频率
        prob = float(labelCounts[key])/numEntries

        # 计算 香农熵
        shannonEnt -= prob * log(prob, 2)
    return shannonEnt

# # 熵越高，则混合的数据越多
# print(calcShannonEnt(myDat))

（2）创建数据集

def createDataSet():
    dataSet = [[1, 1, 'yes'],
               [1, 1, 'yes'],
               [1, 0, 'no'],
               [0, 1, 'no'],
               [0, 1, 'no']]
    labels = ['no surfacing', 'flippers']
    return dataSet, labels

myDat, labels = createDataSet()

（3）按照给定特征划分数据集

def splitDataSet(dataSet, axis, value):
    """
    按照给定的特征划分数据集
    遍历数据集中的每一个元素，一旦发现符合要求的值，则将其添加到新创建的列表中
    :param dataSet: 待划分