决策树之python实现ID3算法（例子）

最新推荐文章于 2024-04-29 23:11:29 发布

abq43525

最新推荐文章于 2024-04-29 23:11:29 发布

阅读量365

点赞数

文章标签： python 数据结构与算法

原文链接：http://www.cnblogs.com/wang2825/articles/8729047.html

版权

引言

决策树从本质上是从训练数据集上训练处一组分类规则，完全依据训练数据，所得规则容易发生过拟合，这也是决策树的缺点，不过可以通过决策树的剪枝，来提高决策树的泛化能力。

由此，决策树的创建可包括三部分：特征选择、决策树的生成以及决策树的剪枝；决策树的应用包括：分类、回归以及特征选择。

决策树最经典的算法包括：ID3、C4.5以及CART算法，ID3与C4.5算法相似，C4.5在特征选择时选用的信息准则是信息增益比，而ID3用的是信息增益；因为信息增益偏向于选择具有较多可能取值的特征

基于信息论的特征选择

注意：熵表示随机变量的不确定性，熵值越大表示随机变量含有的信息越少，变量的不确定性越大。
1）香侬定义一个数据的信息可按下式计算（此处是以2为底的对数）：

2）熵表示一个数据集合信息的期望，可按下式计算：（该式不理解，可想象下，求变量期望的公式，p(x_i)

上式中，设训练数据集为

如下表和图所示：

feature1(A)	feature1	feature3	labels
a1	b1	c1	y
a1	b2	c2	n
a1	b1	c2	n
a1	b1	c2	n
a2	b1	c1	y
a2	b2	c2	y
a2	b1	c1	n

python实现:

 1 def calcShannonEnt(dataset):#计算熵
 2     numSamples = len(dataset)
 3     labelCounts = {}
 4     for allFeatureVector in dataset:
 5         currentLabel = allFeatureVector[-1]
 6         if currentLabel not in labelCounts.keys():
 7             labelCounts[currentLabel] = 0
 8         labelCounts[currentLabel] += 1
 9     entropy = 0.0
10     for key in labelCounts:
11         property = float(labelCounts[key])/numSamples
12         entropy -= property * log(property,2)
13     return entropy
14 def BestFeatToGetSubdataset(dataset):
15     #下边这句实现：除去最后一列类别标签列剩余的列数即为特征个数
16     numFeature = len(dataset[0]) - 1 
17     baseEntropy = calcShannonEnt(dataset)
18     bestInfoGain = 0.0; bestFeature = -1
19     for i in range(numFeature):#i表示该函数传入的数据集中每个特征
20         # 下边这句实现抽取特征i在数据集中的所有取值
21         feat_i_values = [example[i] for example in dataset]
22         uniqueValues = set(feat_i_values)
23         feat_i_entropy = 0.0
24         for value in uniqueValues:
25             subDataset = getSubDataset(dataset,i,value)
26             #下边这句计算pi，实现计算信息增益最大的特征
27             prob_i = len(subDataset)/float(len(dataset))
28             feat_i_entropy += prob_i * calcShannonEnt(subDataset)
29         infoGain_i = baseEntropy - feat_i_entropy
30         if (infoGain_i > bestInfoGain):
31             bestInfoGain = infoGain_i
32             bestFeature = i
33     return bestFeature

决策树生成

决策树生成可用下边的流程图表示：
决策树生成流程图

ID3算法python实现代码:

  1 # -*- coding: utf-8 -*-
  2 from math import log
  3 import operator
  4 import pickle
  5 '''
  6 输入：原始数据集、子数据集（最后一列为类别标签，其他为特征列）
  7 功能：计算原始数据集、子数据集（某一特征取值下对应的数据集）的香农熵
  8 输出：float型数值（数据集的熵值）
  9 '''
 10 def calcShannonEnt(dataset):
 11     numSamples = len(dataset)
 12     labelCounts = {}
 13     for allFeatureVector in dataset:
 14         currentLabel = allFeatureVector[-1]
 15         if currentLabel not in labelCounts.keys():
 16             labelCounts[currentLabel] = 0
 17         labelCounts[currentLabel] += 1
 18     entropy = 0.0
 19     for key in labelCounts:
 20         property = float(labelCounts[key])/numSamples
 21         entropy -= property * log(property,2)
 22     return entropy
 23 
 24 '''
 25 输入：无
 26 功能：封装原始数据集
 27 输出：数据集、特征标签
 28 '''     
 29 def creatDataSet():
 30     dataset = [[1,1,'yes'],[1,1,'yes'],[1,0,'no'],[0,1,'no'],[0,0,'no']]
 31     labels = ['no surfacing','flippers']
 32     return dataset,labels
 33 
 34 '''
 35 输入：数据集、数据集中的某一特征所在列的索引、该特征某一可能取值（例如，（原始数据集、0,1 ））
 36 功能：取出在该特征取值下的子数据集（子集不包含该特征）
 37 输出：子数据集
 38 '''
 39 def getSubDataset(dataset,colIndex,value):
 40     subDataset = [] #用于存储子数据集
 41     for rowVector in dataset:
 42         if rowVector[colIndex] == value:
 43             #下边两句实现抽取除第colIndex列特征的其他特征取值
 44             subRowVector = rowVector[:colIndex]
 45             subRowVector.extend(rowVector[colIndex+1:])
 46             #将抽取的特征行添加到特征子数据集中
 47             subDataset.append(subRowVector)
 48     return subDataset
 49 
 50 '''
 51 输入：数据集
 52 功能：选择最优的特征，以便得到最优的子数据集（可简单的理解为特征在决策树中的先后顺序）
 53 输出：最优特征在数据集中的列索引
 54 '''
 55 def BestFeatToGetSubdataset(dataset):
 56     #下边这句实现：除去最后一列类别标签列剩余的列数即为特征个数
 57     numFeature = len(dataset[0]) - 1 
 58     baseEntropy = calcShannonEnt(dataset)
 59     bestInfoGain = 0.0; bestFeature = -1
 60     for i in range(numFeature):#i表示该函数传入的数据集中每个特征
 61         # 下边这句实现抽取特征i在数据集中的所有取值
 62         feat_i_values = [example[i] for example in dataset]
 63         uniqueValues = set(feat_i_values)
 64         feat_i_entropy = 0.0
 65         for value in uniqueValues:
 66             subDataset = getSubDataset(dataset,i,value)
 67             #下边这句计算pi
 68             prob_i = len(subDataset)/float(len(dataset))
 69             feat_i_entropy += prob_i * calcShannonEnt(subDataset)
 70         infoGain_i = baseEntropy - feat_i_entropy
 71         if (infoGain_i > bestInfoGain):
 72             bestInfoGain = infoGain_i
 73             bestFeature = i
 74     return bestFeature
 75 
 76 '''
 77 输入：子数据集的类别标签列
 78 功能：找出该数据集个数最多的类别
 79 输出：子数据集中个数最多的类别标签
 80 '''  
 81 def mostClass(ClassList):
 82     classCount = {}
 83     for class_i in ClassList:
 84         if class_i not in classCount.keys():
 85             classCount[class_i] = 0
 86         classCount[class_i] += 1
 87     sortedClassCount = sorted(classCount.iteritems(),
 88     key=operator.itemgetter(1),reverse = True)        
 89     return sortedClassCount[0][0]
 90 
 91 '''
 92 输入：数据集，特征标签
 93 功能：创建决策树（直观的理解就是利用上述函数创建一个树形结构）
 94 输出：决策树（用嵌套的字典表示）
 95 '''    
 96 def creatTree(dataset,labels):
 97     classList = [example[-1] for example in dataset]
 98     #判断传入的dataset中是否只有一种类别，是，返回该类别
 99     if classList.count(classList[0]) == len(classList):    
100         return classList[0]
101     #判断是否遍历完所有的特征,是，返回个数最多的类别
102     if len(dataset[0]) == 1:
103         return mostClass(classList)
104     #找出最好的特征划分数据集
105     bestFeat = BestFeatToGetSubdataset(dataset)
106     #找出最好特征对应的标签
107     bestFeatLabel = labels[bestFeat]
108     #搭建树结构
109     myTree = {bestFeatLabel:{}}
110     del (labels[bestFeat])
111     #抽取最好特征的可能取值集合
112     bestFeatValues = [example[bestFeat] for example in dataset]
113     uniqueBestFeatValues = set(bestFeatValues)
114     for value in uniqueBestFeatValues:
115         #取出在该最好特征的value取值下的子数据集和子标签列表
116         subDataset = getSubDataset(dataset,bestFeat,value)
117         subLabels = labels[:]
118         #递归创建子树
119         myTree[bestFeatLabel][value] = creatTree(subDataset,subLabels)
120     return myTree
121 
122 '''
123 输入：测试特征数据
124 功能：调用训练决策树对测试数据打上类别标签
125 输出：测试特征数据所属类别
126 '''        
127 def classify(inputTree,featlabels,testFeatValue):
128     firstStr = inputTree.keys()[0]
129     secondDict = inputTree[firstStr]
130     featIndex = featlabels.index(firstStr)
131     for firstStr_value in secondDict.keys():
132         if testFeatValue[featIndex] == firstStr_value:
133             if type(secondDict[firstStr_value]).__name__ == 'dict':
134                 classLabel = classify(secondDict[firstStr_value],featlabels,testFeatValue)
135             else: classLabel = secondDict[firstStr_value]
136     return classLabel    
137 
138 
139 '''
140 输入：训练树，存储的文件名
141 功能：训练树的存储
142 输出：
143 '''
144 def storeTree(trainTree,filename):
145 
146     fw = open(filename,'w')
147     pickle.dump(trainTree,fw)
148     fw.close()
149 def grabTree(filename):
150 
151     fr = open(filename)
152     return pickle.load(fr)
153 
154 
155 if __name__ == '__main__':
156     dataset,labels = creatDataSet()
157     storelabels = labels[:]#复制label
158     trainTree = creatTree(dataset,labels)    
159     classlabel = classify(trainTree,storelabels,[0,1])
160     print classlabel