决策树
原理:
当前数据集上哪个特征在划分数据分类时起决定性作用,为了找到决定性的特征,划分出最好的结果,必须评估每个特征。完成测试之后,原始数据集就被划分为几个数据子集。
这些数据子集分布在第一个决策点的所有分支上。如果某个分支下的数据属于同一类别,则数据已经正确划分无需进一步对数据集进行分割。如果数据子集内的数据不属于同一类型,则需要重复划分数据子集的过程。
划分数据子集的算法和划分原始数据集的方法相同,直到所有具有相同类型的数据均在一个数据子集内。
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
信息增益
划分数据集的大原则:将无序的数据变得更加有序。
划分数据集之前之后信息发生的变化称为信息增益。
计算每个特征值划分数据集获得的信息增益,这个信息增益最高的特征就是最好的选择。
故此,信息增益 熵可以评测哪种数据划分方式是最好的。
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
x_{i}
xi的信息定义为:
l
(
x
i
)
=
−
l
o
g
2
p
(
x
i
)
l(x_{i})=-log_{2}p(x_{i})
l(xi)=−log2p(xi)
计算熵,需要计算所有类别所有可能值包含的信息期望值,公式:
H
=
E
[
l
(
x
i
)
]
=
−
∑
i
=
1
n
p
(
x
i
)
⋅
l
o
g
2
p
(
x
i
)
H=E[l(x_{i})]=-\sum_{i=1}^{n}p(x_{i})\cdot log_{2}p(x_{i})
H=E[l(xi)]=−i=1∑np(xi)⋅log2p(xi)
import numpy as np
import matplotlib.pyplot as plt
import operator
%matplotlib inline
# 计算给定数据集的香农熵
from math import log
def calcShannonEnt(dataSet):
numEntries = len(dataSet) # 求数据集大小
labelCounts = {} #新建一个用于统计各个类型数目的字典
for featVec in dataSet:
currentLabel = featVec[-1]
if currentLabel not in labelCounts.keys():
labelCounts[currentLabel] = 0
labelCounts[currentLabel] += 1
shannonEnt = 0.0 #初始化香农熵
for key in labelCounts:
prob = float(labelCounts[key])/numEntries #计算概率,古典概型
shannonEnt -= prob * log(prob,2) #根据公式计算香农熵
return shannonEnt
def createDataSet():
dataSet = [[1,1,'yes'],
[1,1,'yes'],
[1,0,'no'],
[0,1,'no']]
labels= ['no surfacing','flippers']
return dataSet,labels
myDat, labels = createDataSet()
print(myDat)
len(myDat[0])
[[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no']]
3
calcShannonEnt(myDat)
1.0
# 熵越高,则混合的数据类型也越多
myDat[0][-1]='maybe'
print(myDat)
calcShannonEnt(myDat) # 添加了一类数据 如maybe 使得熵增大
[[1, 1, 'maybe'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no']]
1.5
划分数据集
- 如何划分数据集?
- 如何度量信息增益?
根据信息增益最大原则,选择最好的数据集划分方式
特征
A
A
A对训练集
D
D
D的信息增益
g
(
D
,
A
)
g(D,A)
g(D,A),定义为集合
D
D
D的经验熵
H
(
D
)
H(D)
H(D)与特征
A
A
A给定条件下
D
D
D的经验条件熵
H
(
D
∣
A
)
H(D|A)
H(D∣A)之差,即
g
(
D
,
A
)
=
H
(
D
)
−
H
(
D
∣
A
)
g(D,A) = H(D) - H(D|A)
g(D,A)=H(D)−H(D∣A)
设训练数据集为
D
D
D,
∣
D
∣
|D|
∣D∣表示其样本容量,即样本个数。设有
K
K
K个类
C
k
C_k
Ck,
k
=
1
,
2
,
…
,
K
k=1,2,…,K
k=1,2,…,K,
∣
C
k
∣
|C_k|
∣Ck∣为属于类
C
k
C_k
Ck的样本个数,
∑
k
=
1
K
∣
C
k
∣
=
∣
D
∣
\sum_{k=1}^K|C_k|=|D|
∑k=1K∣Ck∣=∣D∣。
设特征
A
A
A有
n
n
n个不同的取值
a
1
,
a
2
,
…
,
a
n
{a_1,a_2,…,a_n}
a1,a2,…,an,根据特征
A
A
A的取值将
D
D
D划分为
n
n
n个子集
D
1
,
D
2
,
…
,
D
n
D_1,D_2,…,D_n
D1,D2,…,Dn,
∣
D
i
∣
|D_i|
∣Di∣为
D
i
D_i
Di的样本个数,
∑
i
=
1
n
∣
D
i
∣
=
∣
D
∣
\sum_{i=1}^n|D_i|=|D|
∑i=1n∣Di∣=∣D∣。
记子集
D
i
D_i
Di中属于类
C
k
C_k
Ck的样本的集合为
D
i
k
D_ik
Dik,即
D
i
k
=
D
i
⋂
C
k
D_{ik}=D_i\bigcap C_k
Dik=Di⋂Ck,
∣
D
i
k
∣
|D_{ik}|
∣Dik∣为
D
i
k
D_{ik}
Dik的样本个数,于是信息增益的算法如下:
输入:训练数据集
D
D
D和特征
A
A
A;
输出:特征
A
A
A对训练数据集
D
D
D的信息增益
g
(
D
,
A
)
g(D,A)
g(D,A)。
(1)计算数据集
D
D
D的经验熵
H
(
D
)
H(D)
H(D)
H
(
D
)
=
−
∑
k
=
1
K
∣
C
k
∣
∣
D
∣
l
o
g
2
∣
C
k
∣
∣
D
∣
H(D) = -\sum_{k=1}^K\frac{|C_k|}{|D|}log_2\frac{|C_k|}{|D|}
H(D)=−k=1∑K∣D∣∣Ck∣log2∣D∣∣Ck∣
(2)计算特征
A
A
A对数据集
D
D
D的经验条件熵
H
(
D
∣
A
)
H(D|A)
H(D∣A)
H
(
D
∣
A
)
=
∑
i
=
1
n
∣
D
i
∣
∣
D
∣
H
(
D
i
)
=
−
∑
i
=
1
n
∣
D
i
∣
∣
D
∣
∑
k
=
1
K
∣
D
i
k
∣
∣
D
i
∣
l
o
g
2
∣
D
i
k
∣
∣
D
i
∣
H(D|A) = \sum_{i=1}^n\frac{|D_i|}{|D|}H(D_i)=-\sum_{i=1}^n\frac{|D_i|}{|D|}\sum_{k=1}^K\frac{|D_{ik}|}{|D_i|}log_2\frac{|D_{ik}|}{|D_i|}
H(D∣A)=i=1∑n∣D∣∣Di∣H(Di)=−i=1∑n∣D∣∣Di∣k=1∑K∣Di∣∣Dik∣log2∣Di∣∣Dik∣
(3)计算信息增益
g
(
D
,
A
)
=
H
(
D
)
−
H
(
D
∣
A
)
g(D,A) = H(D) - H(D|A)
g(D,A)=H(D)−H(D∣A)
# 按照给定特征划分数据集
def splitDataSet(dataSet,axis,value):
"""
按给定特征划分数据集
参数:
dataSet -- 待划分的数据集
axis -- 划分的参照特征
value -- 分界线的特征值
"""
retDataSet = []
for featVec in dataSet:
if featVec[axis] == value: # axis代表选取的特征列索引,value代表特征的某一取值
#取之前的特征,不包括参照特征
reducedFeatVec = featVec[:axis]
# print('splitDataSet特征前',reducedFeatVec)
#取之后的特征,不包括参照特征
reducedFeatVec.extend(featVec[axis+1:])
# print('splitDataSet 特征后',reducedFeatVec)
#添加到划分数据集中
retDataSet.append(reducedFeatVec)
return retDataSet
print(splitDataSet(myDat,0,1)) # myDat第一个特征为1的划分
print(splitDataSet(myDat,0,0)) # myDat第一个特征为0的划分 这样依照第一元素特征 0 1 将数据集划分两个部分
[[1, 'yes'], [1, 'yes'], [0, 'no']]
[[1, 'no']]
# 选择最好的数据集划分方式
def chooseBestFeatureToSplit(dataSet):
"""
选择最好的划分参照特征,也就是使得信息增益最大的划分方式
参数:
dataSet -- 数据集
返回:
bestFeature -- 划分最好的数据集的特征的索引值
"""
# 求特征数,-1是去掉标签
numFeatures = len(dataSet[0]) - 1
# 求数据集的香农熵
baseEntropy = calcShannonEnt(dataSet)
# 初始化最佳信息增益,和最好的参照特征
bestInfoGain = 0.0
bestFeature = -1
# 遍历每个特征
for i in range(numFeatures):
# 取每个数据的第i个特征值
featList = [example[i] for example in dataSet]
# 把这些特征值作为一个集合
uniqueVals = set(featList)
# 初始化划分后的熵
newEntropy = 0.0
# 遍历集合中的特征值
for value in uniqueVals:
# 取第i个特征值为value子集
subDataSet = splitDataSet(dataSet, i, value)
# 计算概率
prob = len(subDataSet) / np.float(len(dataSet))
# 计算划分后的熵,为各个子集熵的期望
newEntropy += prob * calcShannonEnt(subDataSet)
# 计算信息增益
infoGain = baseEntropy - newEntropy
# 如果当前以i特征划分得到的信息增益大于之前的最大值
if (infoGain > bestInfoGain):
bestInfoGain = infoGain
bestFeature = i
return bestFeature # 返回最佳特征列索引
myDat, labels = createDataSet()
chooseBestFeatureToSplit(myDat)
myDat
[[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no']]
递归构建决策树
def majorityCnt(classList):
"""
求出现次数最多分类的名称
参数:
classList -- 类列表
返回:
sortedClassCount[0][0] -- 最多分类的名称
"""
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):
"""
创建决策树的递归函数
参数:
dataSet -- 数据集
labels -- 标签
返回:
myTree -- 创建的决策树
"""
classList = [example[-1] for example in dataSet] # 取出类别列
print('classList:',classList)
if classList.count(classList[0]) == len(classList): # 类标签相同,只有1个类别时停止分割,返回当前类别
return classList[0]
if len(dataSet[0]) == 1: # 使用完了所有特征,没有更多特征时停止分割,返回实例中数量最多的类
return majorityCnt(classList) # 返回出现次数最多的类标
bestFeat = chooseBestFeatureToSplit(dataSet) # 最佳特征对应的列号
bestFeatLabel = labels[bestFeat] # 最佳特征名称/说明
# print('bestFeatLabel:',bestFeatLabel)
myTree = {bestFeatLabel:{}} # 嵌套创建树
del(labels[bestFeat]) # 从特征名中删除掉已经选为最佳特征的
# print('del labels:',labels)
featValues = [example[bestFeat] for example in dataSet] # 最佳特征数据列
# print('featValues:',featValues)
uniqueVals = set(featValues)
for value in uniqueVals:
subLabels = labels[:] # 拷贝特征名,避免搞乱原有值
myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet,bestFeat,value),subLabels) # 以最佳的特征值 继续构建树
return myTree
myDat,labels=createDataSet()
myTree = createTree(myDat,labels)
myTree
classList: ['yes', 'yes', 'no', 'no']
classList: ['no']
classList: ['yes', 'yes', 'no']
classList: ['no']
classList: ['yes', 'yes']
{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}}
Matplotlib注解绘制树形图
Matplotlib 注解
import matplotlib.pyplot as plt
# 使用文本注解绘制树节点
decisionNode = dict(boxstyle = "sawtooth", fc = "0.8")
leafNode = dict(boxstyle = "round4", fc = "0.8")
arrow_args = dict(arrowstyle = "<-")
def plotNode(nodeTxt,centerPt,parentPt,nodeType):
"""
绘制节点
参数:
nodeTxt -- 点的内容
centerPt -- 中心点
parentPt -- 父节点
nodeType -- 点类型
返回:
无
"""
createPlot.ax1.annotate(nodeTxt, xy = parentPt, \
xycoords = 'axes fraction', xytext = centerPt, \
textcoords = 'axes fraction', va = "center", \
ha = "center", bbox = nodeType, arrowprops = arrow_args)
def createPlot():
# 进行绘制
fig = plt.figure(1, facecolor = 'white')
fig.clf()
createPlot.ax1 = plt.subplot(111, frameon = False)
plotNode('decisionNode', (0.5, 0.1), (0.1, 0.5), decisionNode)
plotNode('leafNode', (0.8, 0.1), (0.3, 0.8), leafNode)
plt.show()
createPlot()
构造注解树
怎么确定有多少个叶节点,以确定x长度?
怎么知道树有多少层,以确定y轴高度?
# 获取叶节点的数目和树的层数
def getNumLeafs(myTree):
numLeafs = 0
firstStr = list(myTree.keys())[0] # 根节点对应的名称
secondDict = myTree[firstStr] # 根节点对应的字典
for key in secondDict.keys():
if type(secondDict[key]).__name__ =='dict':
thisDepth = 1 +getNumLeafs(secondDict[key])
else:
thisDepth = 1
if thisDepth > numLeafs:
numLeafs = thisDepth
return numLeafs
def getTreeDepth(myTree):
maxDepth = 0
firstStr = list(myTree.keys())[0]
secondDict = myTree[firstStr]
for key in list(secondDict.keys()):
if type(secondDict[key]).__name__ == 'dict':
#深度 = 1 + 子树的深度
thisDepth = 1 + getTreeDepth(secondDict[key])
else:
thisDepth = 1
if thisDepth > maxDepth:
maxDepth = thisDepth
return maxDepth
def retrieveTree(i):
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]
print("retrieveTree(1):",retrieveTree(1))
myTree = retrieveTree(0)
print("叶节点数:",getNumLeafs(myTree))
print("层数 :",getTreeDepth(myTree))
retrieveTree(1): {'no surfacing': {0: 'no', 1: {'flippers': {0: {'head': {0: 'no', 1: 'yes'}}, 1: 'no'}}}}
叶节点数: 2
层数 : 2
def plotMidText(cntrPt, parentPt, txtString):
"""
绘制注释
参数:
cntrPt -- 中心点位置
parentPt -- 父节点位置
txtString -- 文本字符串
返回:
无
"""
#绘制注释的坐标位置
xMid = (parentPt[0] - cntrPt[0]) / 2.0 + cntrPt[0]
yMid = (parentPt[1] - cntrPt[1]) / 2.0 + cntrPt[1]
#绘制注释
createPlot.ax1.text(xMid, yMid, txtString)
def plotTree(myTree, parentPt, nodeTxt):
"""
绘制决策树
参数:
myTree -- 决策树
parentPt -- 父节点位置
nodeTxt -- 节点文本信息
返回:
无
"""
#求树的叶节点数和层数
numLeafs = getNumLeafs(myTree)
depth = getTreeDepth(myTree)
firstStr = list(myTree.keys())[0]
cntrPt = (plotTree.xOff + (1.0 + np.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 list(secondDict.keys()):
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 createPlotTree(inTree):
"""
进行绘制
参数:
inTree -- 决策树
返回:
无
"""
fig = plt.figure(1, facecolor = 'white')
fig.clf()
axprops = dict(xticks = [], yticks = [])
createPlot.ax1 = plt.subplot(111, frameon = False, **axprops)
plotTree.totalW = np.float(getNumLeafs(inTree))
plotTree.totalD = np.float(getTreeDepth(inTree))
plotTree.xOff = -0.5 / plotTree.totalW
plotTree.yOff = 1.0
plotTree(inTree, (0.5, 1.0), '')
plt.show()
myTree = retrieveTree(0)
createPlotTree(myTree)
myTree['no surfacing'][3] = 'maybe'
createPlotTree(myTree)
测试和存储分类器
测试算法:使用决策树执行分类
def classify(inputTree,featLabels,testVec):
"""
使用决策树执行分类,递归函数
参数:
inputTree -- 输入决策树,字典
featLabels -- 特征名的列表
testVec -- 测试向量
返回:
classLabel -- 预测分类
"""
firstStr = list(inputTree.keys())[0]
secondDict = inputTree[firstStr]
featIndex = featLabels.index(firstStr) # 找出第一个匹配firstStr的索引值
for key in secondDict.keys():
if testVec[featIndex] == key:
if type(secondDict[key]).__name__ == 'dict':
classLabel = classify(secondDict[key],featLabels,testVec)
else:
classLabel = secondDict[key]
return classLabel
myDat, labels = createDataSet()
labels
myTree = retrieveTree(0)
myTree
print('[1,0]测试向量的标签:',classify(myTree,labels,[1,0]))
[1,0]测试向量的标签: no
决策树的存储
def storeTree(inputTree,filename):
import pickle
fw = open(filename,'wb')
pickle.dump(str(inputTree),fw)
fw.close()
def grabTree(filename):
import pickle
with open(filename,'rb') as fr:
return pickle.load(fr)
storeTree(myTree,'classifierStorage.txt')
grabTree('classifierStorage.txt')
"{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}}"
使用决策树预测隐形眼镜类型
步骤:
- 收集数据:提供数据文件 http://archive.ics.uci.edu/ml/machine-learning-databases/lenses/
- 准备数据:解析tab键分隔的数据行
- 分析数据:快速检查数据,确保正确地解析数据内容,使用createPlot()函数绘制最终的树形图
- 训练算法:createTree()函数
- 测试算法:编写测试函数验证决策树可以正确分类给定的数据实例
- 使用算法:存储树的数据结构,以便下次使用时无需重新构造树
fr = open("lenses.txt")
lenses = [inst.strip().split('\t') for inst in fr.readlines()]
lensesLabels = ['age', 'prescript', 'astigmatic', 'tearRate']
# 生成决策树
lensesTree = createTree(lenses, lensesLabels)
print("lensesTree = {}".format(lensesTree))
classList: ['no lenses', 'soft', 'no lenses', 'hard', 'no lenses', 'soft', 'no lenses', 'hard', 'no lenses', 'soft', 'no lenses', 'hard', 'no lenses', 'soft', 'no lenses', 'no lenses', 'no lenses', 'no lenses', 'no lenses', 'hard', 'no lenses', 'soft', 'no lenses', 'no lenses']
classList: ['soft', 'hard', 'soft', 'hard', 'soft', 'hard', 'soft', 'no lenses', 'no lenses', 'hard', 'soft', 'no lenses']
classList: ['soft', 'soft', 'soft', 'soft', 'no lenses', 'soft']
classList: ['no lenses', 'soft']
classList: ['soft']
classList: ['no lenses']
classList: ['soft', 'soft']
classList: ['soft', 'soft']
classList: ['hard', 'hard', 'hard', 'no lenses', 'hard', 'no lenses']
classList: ['hard', 'no lenses', 'no lenses']
classList: ['no lenses']
classList: ['no lenses']
classList: ['hard']
classList: ['hard', 'hard', 'hard']
classList: ['no lenses', 'no lenses', 'no lenses', 'no lenses', 'no lenses', 'no lenses', 'no lenses', 'no lenses', 'no lenses', 'no lenses', 'no lenses', 'no lenses']
lensesTree = {'tearRate': {'normal': {'astigmatic': {'no': {'age': {'presbyopic': {'prescript': {'hyper': 'soft', 'myope': 'no lenses'}}, 'pre': 'soft', 'young': 'soft'}}, 'yes': {'prescript': {'hyper': {'age': {'presbyopic': 'no lenses', 'pre': 'no lenses', 'young': 'hard'}}, 'myope': 'hard'}}}}, 'reduced': 'no lenses'}}
createPlotTree(lensesTree)