决策树分类算法

决策树分类算法
决策树概念：决策树类似于一个流程图的树结构；其python基础教程中，欸个内部节点表示在一个属性上的测试，每个分支代表一个属性输出，而每一个树叶节点代表类或者类分布。书的最顶层是根节点

知识扩展（决策树分类算法核心底层实现）

熵

自信息量

公式说明

底数为2时，I(x)的单位是bit，通信与信息论中常用

底数为e时，I(x)的单位是net，常用于理论推导

底数为10时，I(x)的单位是hat，常用于解决工程问题

多数情况下采用第一种计算自信息量；如果说概率p是对确定性的度量，那么信息就可以理解为对不确定性的度量

曲线样本

独立事件的信息

如果两个事件x和y相互独立，即

假设x和y的信息分别为I(x)和I(y)，则二者同时发生的信息量应该为

熵

自信息的期望，是对平均 不确定性的度量，P(x)表示各类特征占比（概率）

条件熵

概念：条件熵是在联合离散符号集XY上定义的，在一致随机变量Y的条件下，随机变量X的条件熵，记作H(X|Y)

公式：H(Y|X=x)表示X为x值，Y中的特征在x中的所占比转换为上述熵的求解

联合熵

概念：联合熵是联合离散符号集上的每个元素对$(x_i,y_i)$的联合自信息的数学期望，记作H(XY)

公式

互信息

单一特征

公式说明

I(y)是x发生前的信息，即自信息

I(y|x)是x发生后的信息，即条件信息

互信息是收信者收到信息x后，对信源发y的不确定性的消除

对称性

平均互信息：决策树中的信息增益

条件熵与平均互信息的关系

决策树归纳法

特征A对训练数据集D信息增益D(A, D)定义为集合D的经验熵H(D)与特征A给定条件下D的条件熵的差，即训练数据集D和特征A的互信息

遍历所有特征，选择信息增益最大的特征作为当前分裂特

信息增益率法

python第三方包实现

from sklearn.feature_extraction import DictVectorizer
from sklearn import tree
from sklearn import preprocessing
from six import StringIO
​
import csv
import sys
​
​
class MyTree:
    def __init__(self):
        # 处理特征使用的对象
        self.vec = DictVectorizer()
        # 处理标签使用的对象
        self.lb = preprocessing.LabelBinarizer()
        self.reader, self.headers = MyTree.load_data()
        self.feature_list, self.label_list = self.create_feature_array()
        self.clfPlay = self.clf_play()
        self.visualize_model()
​
    # 加载数据
    @staticmethod
    def load_data():
        elem_data = open(r"./dataset.csv")
        reader = csv.reader(elem_data)
        headers = reader.__next__()
        return reader, headers
​
    # 构建特征矩阵和标签向量
    def create_feature_array(self):
        feature_list = []
        label_list = []
        for row in self.reader:
            label_list.append(row[len(row)-1])
            row_dict = {}
            for i in range(1, len(row)-1):
                row_dict[self.headers[i]] = row[i]
            feature_list.append(row_dict)
        return feature_list, label_list
​
    # 向量化特征数据
    def feature_vectorization(self):
        dummy_x = self.vec.fit_transform(self.feature_list).toarray()
        return dummy_x
​
    # 向量化标签数据
    def label_vectorization(self):
        dummy_y = self.lb.fit_transform(self.label_list)
        return dummy_y
​
    # 使用信息熵进行分类
    def clf_play(self):
        clfPlay = tree.DecisionTreeClassifier(criterion="entropy")
        clfPlay = clfPlay.fit(self.feature_vectorization(), self.label_vectorization())
        return clfPlay
​
    def visualize_model(self):
        with open(r"./InformationGain.dot", "w") as f:
            f = tree.export_graphviz(self.clfPlay, feature_names=self.vec.get_feature_names(), out_file=f)
        tree.export_graphviz(self.clfPlay, feature_names=self.vec.get_feature_names(), out_file=sys.stdout)
​
​
if __name__ == '__main__':
    my_tree = MyTree()

​