全面解读机器学习之决策树

一、决策树的构造

• 优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。
• 缺点：可能会产生过度匹配问题。
• 适用数据类型：数值型和标称型。

  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，构造树完成之后，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，而使用决策树可以更好地理解数据的内在含义。

  使用ID3算法划分数据集。

1. 信息增益

  在划分数据集之前之后信息发生的变化称为信息增益。知道如何计算信息增益，就知道计算每个特征值划分数据集获得的信息增益，获得信息增益最高的特征就是最好的选择。

  熵定义为信息的期望值。如果待分类的事务可能划分在多个分类之中，则符号$x_i$的信息定义为：

$$I(x_i)=-{\log }_{2}p(x_i).$$

其中$p(x_i)$是选择该分类的概率。并且需要计算所有类别所有可能值包含的信息期望值：

$$H=-\sum _{i=1}^{n}p(x_i){\log }_{2}p(x_i).$$

其中，$n$是分类数目。下面，创建trees.py文件，实现信息熵的使用。

from math import log

def calcShannonEnt(dataSet):
    numEntries = len(dataSet)
    labelCounts = {
   }
    for featVec in dataSet:
        currentLabel = featVec[-1]
        if currentLabel not in labelCounts.keys():
            labelCounts[currentLabel] = 0 # 将标签加入到字典中
        labelCounts[currentLabel] += 1 # 统计每个标签的数量
    shannonEnt = 0.0
    for key in labelCounts:
        prob = float(labelCounts[key]) / numEntries #选key分类的概率
        shannonEnt -= prob * log(prob, 2) # 香农公式
    return shannonEnt

  测试一下：

def createDataSet():
    dataSet = [[1, 1, 'yes'],
               [1, 1, 'yes'],
               [1, 0, 'no'],
               [0 ,1, 'no'],
               [0 ,1, 'no']]
    labels = ['no surfing', 'flippers']
    return dataSet, labels
myData, labels = createDataSet()
myData[0][-1] = 'maybe'
#print(calcShannonEnt(myData))
myData[0][-1] = 'yes' # 再改回来
'''
0.9709505944546686
'''

  熵越高，混合的数据也越多。在数据集上添加一些新的标签，熵就会变大。

myData[0][-1] = 'maybe'
print(calcShannonEnt(myData))
'''
1.3709505944546687
'''

2. 划分数据集

  上一节，通过度量划分数据集的熵，来判断当前是否是正确地划分了数据集。熵值越大，表示数据越混乱，自然划分成功的可能性越小。下面函数实现了以第axis个特征值为标准，对该特征是否是value进行划分：

# 返回对第axis列中的特征的划分 结果是value的数据
def splitDataSet(dataSet, axis, value):
    retDataSet = []
    for featVec in dataSet:
        if featVec[axis] == value: # 第axis个特征等于value的话
            reducedFeatVec = featVec[:axis] # 将axis所指的特征去除掉即可
            reducedFeatVec.extend(featVec[axis + 1:])
            retDataSet.append(reducedFeatVec)
    return retDataSet

print(splitDataSet(myData, 0, 1))
print(splitDataSet(myData, 0, 0))
'''
#结果是去掉axis所指的特征
[[1, 'maybe'], [1, 'yes'], [0, 'no']]
[[1, 'no'], [1, 'no']]
'''

  python中的append()和extend()函数是有差别的：

a = [1,2,3,4,5]
b = [1,2]
b.append(a[2:])
# b = [1, 2, [3, 4, 5]]
c = [3,5]
c.extend(a[:3])
# c = [3, 5, 1, 2, 3]

  下面遍历数据集，找到最好的特征值划分方式。

# 选出整个数据集最好的特征划分
def chooseBestFeatureToSplit(dataSet):
    numFeatures = len(dataSet[0]) - 1 # 最后一项是标签
    baseEntropy = calcShannonEnt(dataSet)
    bestInfoGain = 0.0
    bestFeature = -1
    for i in range(numFeatures):
        # 使用列表推导来创建新的列表
        # 将数据集中所有第i个特征值或者所有可能存在的值写入新的list
        featList = [example[i] for example in dataSet]
        uniqueVals = set(featList) # 集合中值唯一 顺序排好
        newEntropy = 0.0
        for value in uniqueVals:
            # 按照第i个特征进行划分
            subDataSet