参考教材:机器学习实战(人民邮电出版社)Peter Harrington【美】著
语言:python
软件:VS code
决策树的构造
优点:使用计算成本低,人类易于理解学习结果,缺失值可以,可以处理不相关的特征
缺点:容易过拟合
适用于:数值、标称值
决策树的一般流程:
- 收集数据:可以使用任何方法。
- 准备数据:树构造算法只适用于标称型数据,因此数值型数据必须离散化。
- 分析数据:可以使用任何方法,构造树完成后,我们应该检查图形是否符合预期。
- 训练算法:构造树的数据结构。
- 测试算法:使用经验树计算错误率。
- 使用算法:此步骤可以适用于任何监督学习算法,而使用决策时可以更好地理解数据的内在含义。
信息增益
划分数据集的大原则是:将无序数据变得更加有序,但是各种方法都有各自的优缺点,信息论是量化处理信息的分支科学,在划分数据集前后信息发生的变化称为信息增益,获得信息增益最高的特征就是最好的选择,所以必须先学习如何计算信息增益,集合信息的度量方式称为香农熵,或者简称熵。
熵定义为信息的期望值,如果待分类的事物可能划分在多个类之中,则符号的信息定义为
其中是选择该分类的概率。
为了计算熵,我们需要计算所有类别所有可能值所包含的信息期望值,通过下式得到:
其中n是分类的数目。
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
计算给定数据集的香农熵:
def calcShannonEnt(dataSet):
numEntries = len(dataSet)
labelCounts = {}
for featVec in dataSet: #为所有可能分类创建字典
currentLabel = featVec[-1]
if currentLabel not in labelCounts.keys(): labelCounts[currentLabel] = 0
labelCounts[currentLabel] += 1
shannonEnt = 0.0
for key in labelCounts:
prob = float(labelCounts[key])/numEntries
shannonEnt -= prob * log(prob,2) #以2为低求对数
return shannonEnt
验证一下看是否成功:
这里算出熵为0.97,熵越高,则混合的数据就越多,我们添加第三个maybe类测试熵的变化:
可以发现熵明显增加了,得到熵后,我们就可以按照获取最大信息增益的方法划分数据集
划分数据集
按照给定的特征划分数据集:
def splitDataSet(dataSet, axis, value):
retDataSet = [] #创建一个新的列表对象
for featVec in dataSet:
if featVec[axis] == value: #抽取符合特征的数据
reducedFeatVec = featVec[:axis]
reducedFeatVec.extend(featVec[axis+1:])
retDataSet.append(reducedFeatVec)
return retDataSet
接着测试一下代码:
接下来就是遍历整个数据集,循环计算香农熵和splitDataSet()函数,找到最好的特征划分方式。熵的计算结果会告诉我们如何划分数据集是最好的数据组织方式。
选择最好的数据集划分方式:
def chooseBestFeatureToSplit(dataSet):
numFeatures = len(dataSet[0]) - 1
baseEntropy = calcShannonEnt(dataSet)
bestInfoGain = 0.0; bestFeature = -1
for i in range(numFeatures): #将数据集中所有的第i个特征值或者所有可能存在的值写入这个新的list中
featList = [example[i] for example in dataSet]
uniqueVals = set(featList)
newEntropy = 0.0
for value in uniqueVals: #遍历当前特征中的所有唯一属性,对每个特征划分一次数据集
subDataSet = splitDataSet(dataSet, i, value)
prob = len(subDataSet)/float(len(dataSet))
newEntropy += prob * calcShannonEnt(subDataSet)
infoGain = baseEntropy - newEntropy
if (infoGain > bestInfoGain): #比较所有特征中的信息增益,返回最好特征划分的索引值
bestInfoGain = infoGain
bestFeature = i
return bestFeature
测试一下:
可以看到,计算出来的结果是第0个特征是最好的用于划分数据集的特征。
递归构建决策树
由于特征值可能多余两个,基于最好属性划分数据集后可能存在大于两个分支的数据集划分。因此,我们可以采用递归的原则处理数据集。
递归结束的条件是: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。
递归代码:
def majorityCnt(classList):
classCount={}
for vote in classList:
if vote not in classCount.keys(): classCount[vote] = 0
classCount[vote] += 1
sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)
return sortedClassCount[0][0]
创建树的函数代码:
def createTree(dataSet,labels):
classList = [example[-1] for example in dataSet]
if classList.count(classList[0]) == len(classList): #第一个停止条件:所有的类别完全相同,则直接返回该类标签
return classList[0]
if len(dataSet[0]) == 1: #第二个停止条件:使用完了所有特征,任然不能将数据集划分成仅包含唯一类别的分组
return majorityCnt(classList)
bestFeat = chooseBestFeatureToSplit(dataSet)
bestFeatLabel = labels[bestFeat]
myTree = {bestFeatLabel:{}}
del(labels[bestFeat])
featValues = [example[bestFeat] for example in dataSet] #得到列表包含的所有属性值。
uniqueVals = set(featValues)
for value in uniqueVals:
subLabels = labels[:]
myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value),subLabels)
return myTree
测试代码的实际输出结果:
在python中使用Matplotlib注解绘制属性图
定义树的格式:
import matplotlib.pyplot as plt
decisionNode = dict(boxstyle="sawtooth", fc="0.8") #定义文本框和箭头格式,也就是树节点格式的常量
leafNode = dict(boxstyle="round4", fc="0.8")
arrow_args = dict(arrowstyle="<-")
def plotNode(nodeTxt, centerPt, parentPt, nodeType):
createPlot.ax1.annotate(nodeTxt, xy=parentPt, xycoords='axes fraction',
xytext=centerPt, textcoords='axes fraction',
va="center", ha="center", bbox=nodeType, arrowprops=arrow_args )
获取叶节点的数目和树的层数:
def getNumLeafs(myTree):
numLeafs = 0
firstStr = list(myTree.keys())[0]
secondDict = myTree[firstStr]
for key in secondDict.keys():
if type(secondDict[key]).__name__=='dict': #测试节点的数据类型是否为字典。
numLeafs += getNumLeafs(secondDict[key])
else: numLeafs +=1
return numLeafs
def getTreeDepth(myTree):
maxDepth = 0
firstStr = list(myTree.keys())[0]
secondDict = myTree[firstStr]
for key in secondDict.keys():
if type(secondDict[key]).__name__=='dict':
thisDepth = 1 + getTreeDepth(secondDict[key])
else: thisDepth = 1
if thisDepth > maxDepth: maxDepth = thisDepth
return maxDepth
def retrieveTree(i): #测试数据
listOfTrees =[{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}},
{'no surfacing': {0: 'no', 1: {'flippers': {0: {'head': {0: 'no', 1: 'yes'}}, 1: 'no'}}}}
]
return listOfTrees[i]
测试代码:
可以看到按照给定的测试数据,计算出来的叶节点有三个,层数有两层。
创建树:
def plotMidText(cntrPt, parentPt, txtString): #计算父子节点的中间位置,并在此添加简单的文本信息
xMid = (parentPt[0]-cntrPt[0])/2.0 + cntrPt[0]
yMid = (parentPt[1]-cntrPt[1])/2.0 + cntrPt[1]
createPlot.ax1.text(xMid, yMid, txtString, va="center", ha="center", rotation=30)
def plotTree(myTree, parentPt, nodeTxt): #计算树的宽度和高度
numLeafs = getNumLeafs(myTree)
depth = getTreeDepth(myTree)
firstStr = myTree.keys()[0]
cntrPt = (plotTree.xOff + (1.0 + float(numLeafs))/2.0/plotTree.totalW, plotTree.yOff)
plotMidText(cntrPt, parentPt, nodeTxt) #绘出子节点具有的特征值,或者沿此分支向下的数据实例必须具有的特征值。
plotNode(firstStr, cntrPt, parentPt, decisionNode)
secondDict = myTree[firstStr]
plotTree.yOff = plotTree.yOff - 1.0/plotTree.totalD
for key in secondDict.keys(): #按比例减少全局变量plotTree.yOff,并标注此处将要绘制子节点。
if type(secondDict[key]).__name__=='dict':
plotTree(secondDict[key],cntrPt,str(key))
else:
plotTree.xOff = plotTree.xOff + 1.0/plotTree.totalW
plotNode(secondDict[key], (plotTree.xOff, plotTree.yOff), cntrPt, leafNode)
plotMidText((plotTree.xOff, plotTree.yOff), cntrPt, str(key))
plotTree.yOff = plotTree.yOff + 1.0/plotTree.totalD
def createPlot(inTree):
fig = plt.figure(1, facecolor='white')
fig.clf()
axprops = dict(xticks=[], yticks=[])
createPlot.ax1 = plt.subplot(111, frameon=False, **axprops)
plotTree.totalW = float(getNumLeafs(inTree))
plotTree.totalD = float(getTreeDepth(inTree))
plotTree.xOff = -0.5/plotTree.totalW; plotTree.yOff = 1.0;
plotTree(inTree, (0.5,1.0), '')
plt.show()
之后,输入
>>> myTree=treePlotter.retrieveTree(0)
>>> treePlotter.createPlot(myTree)
来测试数据,结果如图所示:
试着增加一个maybe标签,重新绘制一个图形:
测试和存储分类器
依靠训练数据构造完决策树后,我们用他对实际数据进行分类。
使用决策树的分类函数:
def classify(inputTree,featLabels,testVec):
firstStr = inputTree.keys()[0]
secondDict = inputTree[firstStr]
featIndex = featLabels.index(firstStr) #使用index方法查找当前列表中第一个匹配firstStr变量的元素。
key = testVec[featIndex]
valueOfFeat = secondDict[key]
if isinstance(valueOfFeat, dict):
classLabel = classify(valueOfFeat, featLabels, testVec)
else: classLabel = valueOfFeat
return classLabel
测试代码:
可以看到第一节点名为no surfacing,它有两个节点:一个是名字为0的叶子节点,类标签为no;另一个是名为flippers的判断节点,此处进入递归调用,flippers节点有两个子节点。
存储决策树:
def storeTree(inputTree,filename):
import pickle
fw = open(filename,'w')
pickle.dump(inputTree,fw)
fw.close()
def grabTree(filename):
import pickle
fr = open(filename)
return pickle.load(fr)
在命令行中输入下面两行代码来验证
trees.storeTree(myTree,'classifierStorage.txt')
trees.grabTree('classifierStorage.txt')
结果如下图所示:决策树存储完成。
实战:使用决策树预测隐形眼镜类型
使用已经训练完成的决策树去预测隐形眼镜类型。
实验过程中遇到的问题:
1.报错:'dict_keys' object is not subscriptable
解决办法:将myTree.keys()[0]添加一个list为list(myTree.keys())[0]
2.报错:write() argument must be str, not bytes
解决办法:将fw = open(filename,'w')改为用二进制方法打开fw = open(filename,'wb+')。
3.报错: 'gbk' codec can't decode byte 0x80 in position 0: illegal multibyte sequence
解决办法:将fr = open(filename)改为fr = open(filename,'rb')
4.报错:reload时找不到这个函数
解决办法:import imp导入imp包之后就可以使用reload。
本次实验为课本上的例子,之后会增加另外的实验样本。