机器学习实战之决策树（2）---选择最好的特征来划分数据集

from math import log
#计算给定数据集的香农熵
def calcShannonEnt(dataSet):
    numEntries = len(dataSet)
    labelCounts = {}
    for featVec in dataSet:
        currentLabel = featVec[-1]
        #为所有的可能分类创建字典
        if currentLabel not in labelCounts.keys():
            labelCounts[currentLabel] = 0
        labelCounts[currentLabel] += 1
    shannonEnt = 0.0
    for key in labelCounts:
        prob = float(labelCounts[key]) / numEntries
        shannonEnt -= prob * log(prob, 2)
    return shannonEnt
#创建简单的数据集
def createDataSet():
    dataSet = [[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']]
    labels = ['no surfacint', 'flippers']
    return dataSet, labels
#按照给定特征划分数据集
def splitDataSet(dataSet, axis, value):
    retDataSet = []
    for featVec in dataSet:
        if featVec[axis] == value:
            reducedFeatVec = featVec[:axis]
            reducedFeatVec.extend(featVec[axis+1:])
            retDataSet.append(reducedFeatVec)
    return retDataSet
#选择最好的数据集划分方式
def chooseBestFeatureToSplit(dataSet):
    numFeatures = len(dataSet[0]) - 1
    baseEntropy = calcShannonEnt(dataSet)
    bestInfoGain = 0.0
    bestFeature = -1
    #找出使得香农熵减少最多(最大信息增益)的特征--熵代表无序度
    for i in range(numFeatures):
        #第i个特征的所有的取值的列表
        featList = [example[i] for example in dataSet]
        #利用集合来得到没有重复元素的特征i的取值
        uniqueVals = set(featList)
        newEntropy = 0.0
        #计算当前划分的香农熵
        for value in uniqueVals:
            subDataSet = splitDataSet(dataSet, i, value)
            prob = len(subDataSet) / float(len(dataSet))
            newEntropy += prob * calcShannonEnt(subDataSet)
        infoGain = baseEntropy - newEntropy
        if(infoGain > bestInfoGain):
            bestInfoGain = infoGain
            bestFeature = i;
    return bestFeature

>>> myDat
[[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']]
>>> trees.chooseBestFeatureToSplit(myDat)
0

说明采取第一个特征可以最好地划分数据集。

事实上，采用第一个特征，划分出来的第一个集合有两个yes， 一个no， 第二个集合两个no

采用第二个特征，划分出来第一个集合是两个yes， 两个no， 第二个集合一个no

第一个特征比第二个特征划分得要集中一点，有序一点。

python代码的重要代码有注释可看。