决策树的著名算法CART,它解决了ID3算法的2个不足,既能用于分类问题,又能用于回归问题
CART算法的主体结构和ID3算法基本是相同的,只是在以下几点有所改变:
- 选择划分特征时,ID3使用信息熵量化数据集的混乱程度;CART使用基尼指数和均方误差量化数据集的混乱程度。
- 选定某切分特征时,ID3算法使用该特征所有的取值进行切分,例如一个特征有k个取值,数据集则被切分成K份,创建k个子树;CART算法使用某一阈值进行二元切分,即在特征值的取值范围区间内选择一个阈值t,将数据集切分成两份,然后用一个子集(大于t)构造左子树,使用另一个数据子集(小于t)构造右子树,因此CART算法创建的就是二叉树。
- 对于以用于创建内部节点的特征,在后续运算中(创建子树中的节点时),ID3算法不会再次使用它作为内部节点;CART算法可能会再次使用它创建其他内部节点
CART分类树:
CART分类树的构造算法为递归算法,流程如下:
1.如果当前数据集D中样本数量小于“最小切分数”,或D的基尼指数小于“基尼指数阈值”:
- 创建叶节点,节点的值为数据集D中出现最多的类标记
2. 否则
- 创建内部节点
- 使用每一个布尔值特征将数据集切分成D1,D2,并计算切分后基尼指数降低的值,从而找到最佳切分特征
- 使用由最佳切分特征切分得到的D1,D2,递归调用CART分类树构造算法,创建左右子树
- 将当前内部节点作为两颗子树的父节点
基尼指数:
假设数据集D中有K个分类,其样本总数为|D|,每个分类放入样本个数分别为|D1|,|D2|,...|Dk|,则一个样本属于第i类的概率为:
数据集D的基尼指数定义如下:
类似条件熵,也可以定义在特征A条件下D的基尼指数。CART算法总会动态的吧所有特征都转换为布尔值特征,因此数据集D总可以根据某一布尔特征A切分成D1和D2两个子集,在特征A条件下D的基尼指数定义如下:
CAR分类树构造算法在选择切分特征时,只需计算每一个特征条件下的基尼指数,然后选择其中使得基尼指数最小的特征。
代码如下:
import numpy as np
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
class CartClassificationTree:
class Node:
'''树节点类'''
def __init__(self):
self.value = None
# 内部叶节点属性
self.feature_index = None
self.feature_value = None
self.left = None
self.right = None
def __str__(self):
if self.left:
s = '内部节点<%s>:\n' % self.feature_index
ss = '[ >%s]-> %s' % (self.feature_value, self.left)
s += '\t' + ss.replace('\n', '\n\t') + '\n'
ss = '[<=%s]-> %s' % (self.feature_value, self.right)
s += '\t' + ss.replace('\n', '\n\t')
else:
s = '叶节点(%s)' % self.value
return s
def __init__(self, gini_threshold=0.01, gini_dec_threshold=0., min_samples_split=2):
'''构造器函数'''
# 基尼系数的阈值
self.gini_threshold = gini_threshold
# 基尼系数降低的阈值
self.gini_dec_threshold = gini_dec_threshold
# 数据集还可继续分割的最小样本数量
self.min_samples_split = min_samples_split
def _gini(self, y):
'''计算基尼指数'''
values = np.unique(y)
s = 0.
for v in values:
y_sub = y[y == v]
s += (y_sub.size / y.size) ** 2
return 1 - s
def _gini_split(self, y, feature, value):
'''计算根据特征切分后的基尼指数'''
# 根据特征的值将数据集拆分成两个子集
indices = feature > value
y1 = y[indices]
y2 = y[~indices]
# 分别计算两个子集的基尼系数
gini1 = self._gini(y1)
gini2 = self._gini(y2)
# 计算分割后的基尼系数
# gini(y, feature) = (|y1| * gini(y1) + |y2| * gini(y2)) / |y|
gini = (y1.size * gini1 + y2.size * gini2) / y.size
return gini
def _get_split_points(self, feature):
'''获得一个连续值特征的所有分割点'''
# 获得一个特征所有出现过的值, 并排序.
values = np.unique(feature)
# 分割点为values中相邻两个点的中点.
split_points = [(v1 + v2) / 2 for v1, v2 in zip(values[:-1], values[1:])]
return split_points
def _select_feature(self, X, y):
'''选择划分特征'''
# 最佳分割特征的index
best_feature_index = None
# 最佳分割点
best_split_value = None
min_gini = np.inf
_, n = X.shape
for feature_index in range(n):
# 迭代每一个特征
feature = X[:, feature_index]
# 获得一个特征的所有分割点
split_points = self._get_split_points(feature)
for value in split_points:
# 迭代每一个分割点value, 计算使用value分割后的数据集基尼系数.
gini = self._gini_split(y, feature, value)
# 找到更小的gini, 则更新分割特征和.
if gini < min_gini:
min_gini = gini
best_feature_index = feature_index
best_split_value = value
# 判断分割后基尼系数的降低是否超过阈值
if self._gini(y) - min_gini < self.gini_dec_threshold:
best_feature_index = None
best_split_value = None
return best_feature_index, best_split_value, min_gini
def _node_value(self, y):
'''计算节点的值'''
# 统计数据集中样本类标记的个数
labels_count = np.bincount(y)
# 节点值等于数据集中样本最多的类标记.
return np.argmax(np.bincount(y))
def _create_tree(self, X, y):
'''生成树递归算法'''
# 创建节点
node = self.Node()
# 计算节点的值, 等于y的均值.
node.value = self._node_value(y)
# 若当前数据集样本数量小于最小分割数量min_samples_split, 则返回叶节点.
if y.size < self.min_samples_split:
return node
# 若当前数据集的基尼系数小于阈值gini_threshold, 则返回叶节点.
if self._gini(y) < self.gini_threshold:
return node
# 选择最佳分割特征
feature_index, feature_value, min_gini = self._select_feature(X, y)
if feature_index is not None:
# 如果存在适合分割特征, 当前节点为内部节点.
node.feature_index = feature_index
node.feature_value = feature_value
# 根据已选特征及分割点将数据集划分成两个子集.
feature = X[:, feature_index]
indices = feature > feature_value
X1, y1 = X[indices], y[indices]
X2, y2 = X[~indices], y[~indices]
# 使用数据子集创建左右子树.
node.left = self._create_tree(X1, y1)
node.right = self._create_tree(X2, y2)
return node
def _predict_one(self, x_test):
'''对单个样本进行预测'''
# 爬树一直爬到某叶节点为止, 返回叶节点的值.
node = self.tree_
while node.left:
if x_test[node.feature_index] > node.feature_value:
node = node.left
else:
node = node.right
return node.value
def train(self, X_train, y_train):
'''训练决策树'''
self.tree_ = self._create_tree(X_train, y_train)
def predict(self, X_test):
'''对测试集进行预测'''
# 对每一个测试样本, 调用_predict_one, 将收集到的结果数组返回.
return np.apply_along_axis(self._predict_one, axis=1, arr=X_test)
if __name__ == '__main__':
# 数据集url:https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data
x = np.genfromtxt("iris.data", delimiter=",", usecols=range(4),dtype=np.float)
# print(x)
y = np.genfromtxt("iris.data", delimiter=",", usecols=4, dtype=str)
# print(y)
le = LabelEncoder()
y = le.fit_transform(y)
# print(y)
cct = CartClassificationTree()
x_train,x_test,y_train,y_test = train_test_split(x,y)
cct.train(x_train,y_train)
y_pred = cct.predict(x_test)
score = accuracy_score(y_test,y_pred)
print(score)