【机器学习】机器学习之决策树（基于ID3、CART挑选西瓜）

最新推荐文章于 2023-11-14 14:57:30 发布

Max_Shy

最新推荐文章于 2023-11-14 14:57:30 发布

阅读量6.2k

点赞数 6

分类专栏：机器学习算法文章标签：机器学习 python 人工智能决策树算法 1024程序员节

本文链接：https://blog.csdn.net/YangMax1/article/details/120917236

版权

机器学习同时被 2 个专栏收录

9 篇文章 8 订阅

订阅专栏

算法

4 篇文章 0 订阅

订阅专栏

一、决策树介绍

决策树（decision tree）是一类常见的机器学习方法。基于树结构来进行决策。决策树学习的目的是为了产生一颗泛化能力强，即处理未见实例能力强的决策树。
一般的，一颗决策树包含一个根结点、若干个内部结点和若干个叶结点；叶结点对应于决策结果，其他每个结点则对应于一个属性测试；每个结点包含的样本集合根据属性测试的结果被划分到子结点中；根结点包含样本全集。从根结点到每个叶结点的路径对应一个判定测试序列。

1. 基本流程

决策树的基本流程遵循简单且直观的“分而治之”（divide-and-conquer）策略。
在这里插入图片描述
决策树的生成是一个递归过程，再决策树的基本算法中，以下三种情况会导致递归返回：

当前结点包含的样本全属于同一类别，无需划分。
当前属性集为空，或是所有样本在所有属性上取值相同，无法划分。
当前结点包含的样本集合为空，不能划分。

2. 选择划分因素

生成决策树的关键在于如何选择最优划分属性。一般而言，随着划分过程不断进行，我们希望决策树的分支节点所包含的样本尽可能属于同一类别，即结点的“纯度”（purity）越来越高。

（1）信息熵（information entropy）

信息熵（information entropy）是度量样本集合纯度的最常用的一种指标。
假定样本集合 $D$ 中第 $k$ 类样本所占的比例为 $p_k(k = 1,2,...,|y|)$ ，则 $D$ 的信息熵定义为：
$\sum_{k=1}^{|y|} p_k log_2p_k$

显然， $E n t (D)$ 的值越小，集合 $D$ 的纯度越高。

因为 $p_k \in[0,1]$ ，故 $log_2p_k\leq0$ ， $Ent(D)\geq0$ . 极限情况下，考虑 $D$ 中样本同属于同一类，则此时的 $E n t (D)$ 值为 $0$ （取到最小值）。当 $D$ 中样本都分别属于不同类别时， $E n t (D)$ 取到最大值 $log_2 |y|$ 。

（2）信息增益（information gain）

假定离散属性 $a$ 有 $V$ 个可能的取值 { $a^1,a^2,...a^V$ }，若使用 $a$ 来对样本集 $D$ 进行划分，则会产 $V$ 个分支结点，其中第 $v$ 个分支结点包含了 $D$ 中所有在属性 $a$ 上的取值为 $a^v$ 的样本，记为 $D^v$ 。由于不同分支结点包含的样本数不同，给分支结点赋予权重 $\frac{|D^v|}{|D|}$ ，即样本数量越多的分支结点影响越大。由此可计算出用属性 $a$ 对样本集 $D$ 进行划分所获得的信息增益(information gain)
$\sum_{v=1}^{V}\frac{|D^v|}{|D|}Ent(D^v)$

信息增益越大，则意味着使用属性 $a$ 来进行划分所获得的“纯度提升”越大，此次划分的效果越好。因此，我们可用信息增益来进行决策树的划分属性选择。
$I D 3$ 决策树学习算法就是以信息增益为准则来选择划分属性

（3）增益率（gain ratio）

基于信息增益的最优属性划分原则——信息增益准则
，对可取值数据较多的属性有所偏好。 $C 4.5$ 算法使用增益率代替信息增益来选择最优划分属性，增益率定义为：
$Gain\_ratio(D,a) = \frac{Gain(D,a)}{IV(a)}$
其中
$\sum_{v=1}^{V}\frac{|D^v|}{|D|}log_2\frac{|D^v|}{|D|}$

称为属性 $a$ 的固有值。属性 $a$ 的可能取值数目越多（即 $V$ 越大），则 $I V (a)$ 的值通常会越大。这在一定程度上消除了对可取值数据较多的属性的偏好。
事实上，增益率准则对可取值数目较少的属性有所偏好， $C 4.5$ 算法并不是直接使用增益率准则，而是先从候选划分属性中找出信息增益高于平均水平的属性，再从中选择增益率最高的。

（4）基尼指数（Gini index）

$C A R T$ 决策树算法使用基尼指数（Gini index）来选择划分属性。数据集 $D$ 的纯度可用基尼值来度量：
$\begin{aligned} Gini(D)&= \sum_{k=1}^{|y|}\sum_{k' \neq k}p_kp_{k'} \\ &=1 - \sum_{k=1}^{|y|}p_k^2 \\ \end{aligned}$

$G i n i (D)$ 反应了从数据集 $D$ 中随机抽取两个样本，其类别标记不一致的概率。由此， $G i n i (D)$ 越小，纯度越高。
属性 $a$ 的基尼指数定义为：
$Gini\_index(D,a) = \sum_{v=1}^{V}\frac{|D^v|}{|D|}Gini(D^v)$
在候选属性集合 $A$ 中，选择那个使得划分后基尼指数最小的属性作为最优化分属性。即 $a_* = \arg_{a\in A} \min {Gini\_index(D,a)}$

二、实现基于信息增益准则（ID3）的决策树

1. 数据样本处理

本文案例基于教材《机器学习》 $P 76$ 表4.1西瓜数据集2.0，使用Python构建一棵基于信息增益准则的决策树。
在这里插入图片描述

2. 代码实现

（1）建立决策树

计算信息熵函数

#计算信息熵
def calcInformationEntropy(dataSet):
    #dataSet最后一列是类别，前面是特征
    dict = {}
    m = len(dataSet)
    for i in range(m):
        #.get()函数：如果没有这个key，就返回默认值；如果有这个key，就返回这个key的value
        dict[dataSet[i][-1]] = dict.get(dataSet[i][-1], 0) + 1;
    ent = 0
    for key in dict.keys():
        p = float(dict[key]) / m
        ent = ent - (p * np.math.log(p, 2))
    return ent

划分数据集函数

#划分数据集
#dataSet:数据集
#axis: 要划分的列下标
#value: 要划分的列的值
def splitDataSet(dataSet, axis, value):
    splitedDataSet = []
    for data in dataSet:
        if(data[axis] == value):
            reduceFeatureVec = data[: axis]
            reduceFeatureVec.extend(data[axis + 1 :])
            splitedDataSet.append(reduceFeatureVec)
    return splitedDataSet

计算信息增益函数

#计算信息增益,然后选择最优的特征进行划分数据集
#信息增益的计算公式：西瓜书P75
def chooseBestFeatureToSplit(dataSet):
    #计算整个集合的熵
    EntD = calcInformationEntropy(dataSet)
    mD = len(dataSet)  #行
    featureNumber = len(dataSet[0][:]) - 1 #列
    maxGain = -1000
    bestFeatureIndex = -1
    for i in range(featureNumber):
        #featureSet = set(dataSet[:][i])  #错误写法：dataSet[:][i]仍然是获取行
        featureCol = [x[i] for x in dataSet]   #取列表某列的方法！！
        featureSet = set(featureCol)
        splitedDataSet = []
        for av in featureSet:
            retDataSet = splitDataSet(dataSet, i, av)
            splitedDataSet.append(retDataSet)
        gain = EntD
        for ds in splitedDataSet:
            mDv = len(ds)
            gain = gain - (float(mDv) / mD) * calcInformationEntropy(ds)
        if(bestFeatureIndex == -1):
            maxGain = gain
            bestFeatureIndex = i
        elif(maxGain < gain):
            maxGain = gain
            bestFeatureIndex = i

    return bestFeatureIndex

#当所有的特征划分完了之后，如果仍然有叶子节点中的数据不是同一个类别，
# 则把类别最多的作为这个叶子节点的标签
def majorityCnt(classList):
    dict = {}
    for label in classList:
        dict[label] = dict.get(label, 0) + 1
    sortedDict = sorted(dict, dict.items(), key = operator.itemgetter(1), reversed = True)
    return sortedDict[0][0]

递归构建决策树

#递归构建决策树
def createTree(dataSet, labels):
    classList = [x[-1] for x in dataSet]
#    if(len(set(classList)) == 1):
#        return classList[0]
    if(classList.count(classList[0]) == len(classList)):
        return classList[0]
    elif(len(dataSet[0]) == 1):  #所有的属性全部划分完毕
        return majorityCnt(classList)
    else:
        bestFeatureIndex = chooseBestFeatureToSplit(dataSet)
        bestFeatureLabel = labels[bestFeatureIndex]
        myTree = {bestFeatureLabel: {}}
        del(labels[bestFeatureIndex])  #使用完该属性之后，要删除
        featureList = [x[bestFeatureIndex] for x in dataSet]
        featureSet = set(featureList)
        for feature in featureSet:
            subLabels = labels[:]  #拷贝一份，防止label在递归的时候被修改  （list是传引用调用）
            tmpDataSet = splitDataSet(dataSet, bestFeatureIndex, feature)  #划分数据集
            myTree[bestFeatureLabel][feature] = createTree(tmpDataSet, subLabels)
        return myTree

读取数据

#读取西瓜数据集2.0
def readWatermelonDataSet():
    ifile = open("周志华_西瓜数据集2.txt")
    featureName = ifile.readline()  #表头
    labels = (featureName.split(' ')[0]).split(',')
    lines = ifile.readlines()
    dataSet = []
    for line in lines:
        tmp = line.split('\n')[0]
        tmp = tmp.split(',')
        dataSet.append(tmp)

    return dataSet, labels

输出

melonDataSet, melonLabels = readWatermelonDataSet()
print(melonLabels)
melonBestFeature = chooseBestFeatureToSplit(melonDataSet)
tree = createTree(melonDataSet, melonLabels)
print(tree)

输出结果：

[‘色泽’, ‘根蒂’, ‘敲声’, ‘纹理’, ‘脐部’, ‘触感’, ‘好瓜’]
{‘纹理’: {‘稍糊’: {‘触感’: {‘软粘’: ‘是’, ‘硬滑’: ‘否’}}, ‘模糊’: ‘否’, ‘清晰’: {‘根蒂’: {‘蜷缩’: ‘是’, ‘稍蜷’: {‘色泽’: {‘乌黑’: {‘触感’: {‘软粘’: ‘否’, ‘硬滑’: ‘是’}}, ‘青绿’: ‘是’}}, ‘硬挺’: ‘否’}}}}

（2）绘制决策树

#使用Matlotlib绘制决策树
import matplotlib.pyplot as plt

#设置文本框和箭头格式
decisionNode = dict(boxstyle = "sawtooth", fc = "0.8")
leafNode = dict(boxstyle = "round4", fc = "0.8")
arrow_args = dict(arrowstyle = "<-")
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['font.family'] = 'sans-serif'

#画节点
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)
    
#获取决策树的叶子节点数
def getNumLeafs(myTree):
    leafNumber = 0
    firstStr = list(myTree.keys())[0]
    secondDict = myTree[firstStr]
    for key in secondDict.keys():
        if(type(secondDict[key]).__name__ == 'dict'):
            leafNumber = leafNumber + getNumLeafs(secondDict[key])
        else:
            leafNumber += 1
    return leafNumber

#获取决策树的高度（递归）
def getTreeDepth(myTree):
    maxDepth = 0
    firstStr = list(myTree.keys())[0]
    secondDict = myTree[firstStr]
    for key in secondDict.keys():
        #test to see if the nodes are dictonaires, if not they are leaf nodes
        if type(secondDict[key]).__name__=='dict':
            thisDepth = 1 + getTreeDepth(secondDict[key])
        else:   thisDepth = 1
        if thisDepth > maxDepth: maxDepth = thisDepth
    return maxDepth

#在父子节点添加信息
def plotMidText(cntrPt, parentPt, txtString):
    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)

#画树
def plotTree(myTree, parentPt, nodeTxt):#if the first key tells you what feat was split on
    numLeafs = getNumLeafs(myTree)  #this determines the x width of this tree
    depth = getTreeDepth(myTree)
    firstStr = list(myTree.keys())[0]     #the text label for this node should be this
    cntrPt = (plotTree.xOff + (1.0 + float(numLeafs))/2.0/plotTree.totalW, plotTree.yOff)
    plotMidText(cntrPt, parentPt, nodeTxt)
    plotNode(firstStr, cntrPt, parentPt, decisionNode)
    secondDict = myTree[firstStr]
    plotTree.yOff = plotTree.yOff - 1.0/plotTree.totalD
    for key in secondDict.keys():
        if type(secondDict[key]).__name__=='dict':
            plotTree(secondDict[key],cntrPt,str(key))        #recursion
        else:   #it's a leaf node print the leaf node
            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


#画布初始化
def createPlot(inTree):
    fig = plt.figure(1, facecolor='white')
    fig.clf()
    axprops = dict(xticks=[], yticks=[])
    createPlot.ax1 = plt.subplot(111, frameon=False, **axprops)    #no ticks
    #createPlot.ax1 = plt.subplot(111, frameon=False) #ticks for demo puropses
    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()

定义主函数

def main():
    #createPlot()
    print(getTreeDepth(tree)) #输出数的深度
    print(getNumLeafs(tree))  #输出数的叶子个数
    createPlot(tree)

输出结果：

main()

4
8

请添加图片描述

3. 结果分析

先看《机器学习》教材给出的标准决策树：
在这里插入图片描述
将书上的结果与我们获得的结果进行对比，基本是一致的，但还是有略微的区别，我们缺少一个色泽为浅白的叶。通过对样本数据与代码的检查最终找到缺失原因：原始数据中不存在纹理为清晰、根蒂为稍蜷且色泽为浅白的瓜，导致决策树缺失这种情况的子叶。

三、使用Sklearn库实现决策树

1. 基于信息增益准则（ $I D 3$ 或 $C 4.5$ ）方法建立决策树

导入相关库

#导入相关库
import pandas as pd
import graphviz 
from sklearn.model_selection import train_test_split
from sklearn import tree

导入数据

f = open('周志华_西瓜数据集2.csv','r')
data = pd.read_csv(f)

x = data[["色泽","根蒂","敲声","纹理","脐部","触感"]].copy()
y = data['好瓜'].copy()
print(data)

在这里插入图片描述

数据预处理

将特征值数值化

#将特征值数值化
x = x.copy()
for i in ["色泽","根蒂","敲声","纹理","脐部","触感"]:
    for j in range(len(x)):
        if(x[i][j] == "青绿" or x[i][j] == "蜷缩" or data[i][j] == "浊响" \
           or x[i][j] == "清晰" or x[i][j] == "凹陷" or x[i][j] == "硬滑"):
            x[i][j] = 1
        elif(x[i][j] == "乌黑" or x[i][j] == "稍蜷" or data[i][j] == "沉闷" \
           or x[i][j] == "稍糊" or x[i][j] == "稍凹" or x[i][j] == "软粘"):
            x[i][j] = 2
        else:
            x[i][j] = 3
            
y = y.copy()
for i in range(len(y)):
    if(y[i] == "是"):
        y[i] = int(1)
    else:
        y[i] = int(-1)

将数据转换为DataFrame数据类型

#需要将数据x，y转化好格式，数据框dataframe，否则格式报错
x = pd.DataFrame(x).astype(int)
y = pd.DataFrame(y).astype(int)
print(x)
print(y)

在这里插入图片描述

划分训练集与测试集

将80%数据用于训练，20%数据用于测试

x_train, x_test, y_train, y_test = train_test_split(x,y,test_size=0.2)
print(x_train)

在这里插入图片描述

建立模型并训练

#决策树学习
clf = tree.DecisionTreeClassifier(criterion="entropy")                    #实例化 
clf = clf.fit(x_train, y_train) 
score = clf.score(x_test, y_test)
print(score)

在这里插入图片描述

DecisionTreeClassifier函数参数解释：

sklearn.tree.DecisionTreeClassifier(criterion=’gini’,\
									 splitter=’best’, \
 									 max_depth=None, \
 									 min_samples_split=2, \
									 min_samples_leaf=1,\
								  	 min_weight_fraction_leaf=0.0, \
 									 max_features=None, \
 									 max_leaf_nodes=None, \
 									 min_impurity_decrease=0.0,\
 									 min_impurity_split=None, \
 									 class_weight=None, \
 									 presort=False)

参数	含义
criterion	选择结点划分质量的度量标准，默认使用`"gini"`，即基尼系数，基尼系数是CART算法中采用的度量标准，该参数还可以设置为`"entropy"`，表示基于信息增益 $I D 3$ 或 $C 4.5$ 建立决策树
splitter	结点划分时的策略，默认使用`"best"`。`"best"`表示依据选用的criterion标准，还可以设置为`"random"`，表示最优的随机划分属性
max_depth	设置决策树的`最大深度`，默认为`None`。
min_samples_split	当对一个内部结点划分时，要求该`内部结点上的最小样本数`，默认为`2`
min_samples_leaf	设置`叶子结点上的最小样本数`，默认为`1`
min_weight_fraction_leaf	设置每一个叶子节点上样本的`权重和的最小值`,该参数默认为`0`
max_features	划分结点、寻找最优划分属性时，设置`允许搜索的最大属性个数`，默认为`None`
max_leaf_nodes	设置决策树的`最大叶子节点个数`，该参数与max_depth等参数一起限制决策树的复杂度，默认为`None`，表示不加限制
min_impurity_decrease	默认值为`0`,可以通过设置该参数来提前结束树的生长
class_weight	设置样本数据中`每个类的权重`，这里权重是针对整个类的数据设定的，默认为`None`，即不施加权重
presort	设置对训练数据进行预排序，以提升结点最优划分属性的搜索，默认为`False`

可视化决策树

feature_name = ["色泽","根蒂","敲声","纹理","脐部","触感"]
dot_data = tree.export_graphviz(clf                          
                                ,feature_names= feature_name                                
                                ,class_names=["好瓜","坏瓜"]                                
                                ,filled=True                                
                                ,rounded=True
                                ,out_file =None  
                                ) 
graph = graphviz.Source(dot_data) 
graph

在这里插入图片描述

2. 基于基尼指数（ $C A R T$ ）建立决策树

根据DecisionTreeClassifier函数参数解释可知，只需将criterion值改为"gini"，即可基于基尼指数（ $C A R T$ ）建立决策树。

#决策树学习
clf = tree.DecisionTreeClassifier(criterion="gini")                    #实例化 
clf = clf.fit(x_train, y_train) 
score = clf.score(x_test, y_test)
print(score)

得到输出：
在这里插入图片描述

可视化（ $C A R T$ ）决策树

四、总结

本文西瓜数据集2.0，使用Python自定义构建一棵基于信息增益准则ID3的决策树，并通过Matlotlib绘制该决策树。
本文通过学习使用sklearn库中DecisionTreeClassifier函数分别根据 $I D 3$ 、 $C 4.5$ 和 $C A R T$ 方法实现了决策树，并使用export_graphviz函数绘制生成的决策树。但由于样本数据量过小，导致每次划分的测试集与训练集变化较大，以至于模型精准度浮动较大。并且使用sklearn库时，必须将特征量以及标签转化为数值型才能生成模型。

五、参考

sklearn实战-----1.sklearn入门与决策树

机器学习六(决策树ID3算法原理和实现——西瓜书学习笔记)

sklearn.tree.DecisionTreeClassifier 详细说明

Max_Shy

关注

6
点赞
踩
59

收藏

觉得还不错? 一键收藏
1
评论
【机器学习】机器学习之决策树（基于ID3、CART挑选西瓜）

目录一、决策树介绍1. 基本流程2. 选择划分因素（1）信息熵（information entropy）（2）信息增益（information gain）（3）增益率（gain ratio）（4）基尼指数（Gini index）二、实现基于信息增益准则（ID3）的决策树1. 数据样本处理2. 代码实现（1）建立决策树（2）绘制决策树3. 结果分析三、使用Sklearn库实现决策树总结参考一、决策树介绍决策树（decision tree）是一类常见的机器学习方法。基于树结构来进行决策。决策树学习的目
复制链接

扫一扫