机器学习实战——决策树：树的构建及分类

最新推荐文章于 2022-11-17 08:00:00 发布

hubery_zhang

最新推荐文章于 2022-11-17 08:00:00 发布

阅读量585

点赞数 1

分类专栏：算法理论文章标签：机器学习实战决策树

本文链接：https://blog.csdn.net/ckzhb/article/details/78513035

版权

算法理论专栏收录该内容

33 篇文章 9 订阅

订阅专栏

书籍：《机器学习实战》中文版
IDE：PyCharm Edu 4.02

环境：Adaconda3 python3.6

主要内容：使用ID3算法构建

1、信息熵的计算+数据集的划分=根据信息增益选择最佳的数据集划分方式

2、创建树、投票法

3、将决策树用于分类树的保存与提取

第一部分代码：

from math import log
import operator
# 创建简单的鱼数据集
def createDataSet():
    dataSet = [[1, 1, 'yes'],
               [1, 1, 'yes'],
               [1, 0, 'no'],
               [0, 1, 'no'],
               [0, 1, 'no']]
    labels = ['no surfacing','flippers']
    return dataSet, labels
data,labels=createDataSet()
#计算给定数据集的信息熵
def calcShannonEnt(dataSet):
    num = len(dataSet)
    # 为所有可能分类创建字典并统计每个类别的样本数目
    labelCounts = {}
    for featVec in dataSet:
        currentLabel = featVec[-1]
        if currentLabel not in labelCounts.keys(): labelCounts[currentLabel] = 0
        labelCounts[currentLabel] += 1
    shannonEnt = 0.0
    for key in labelCounts:
        prob = float(labelCounts[key]/num)
        shannonEnt = -prob*log(prob,2)
    return shannonEnt
#按照给定特征划分数据集
def splitDataSet(dataSet,axis,value):
    retDataSet = []         #避免对原数据集的影响
    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 ID3算法
def chooseBestFeatureToSplit(dataSet):
    numFeatures = len(dataSet[0])-1
    baseEntropy = calcShannonEnt(dataSet)
    bestInfoGain = 0.0
    bestFeature = -1
    for i in range(numFeatures):
        featList = [example[i] for example in dataSet]  #得到第i个特征的所有值
        uniqueVals = set(featList)    #使用集合得到第i个特征的值的种类
        newEntropy = 0.0
        # 计算第i个特征的信息增益
        for value in uniqueVals:
            subDataSet = splitDataSet(dataSet,i,value)
            prob = len(subDataSet)/float(len(dataSet))
            newEntropy += prob*calcShannonEnt(subDataSet)
        infoGain = baseEntropy-newEntropy
        #比较第i个特征的信息增益和最佳增益
        if (infoGain>bestInfoGain):
            bestInfoGain = infoGain
            bestFeature = i
    return bestFeature    #返回最佳特征所在的列数
#print(chooseBestFeatureToSplit(data))

第二部分主要代码：

#针对叶子节点存在多类的情况，投票决定最终分类
def majorityCnt(classList):
    classCount = {}
    for vote in classList:
        if vote not in classCount.keys():
            classCount[vote] = 0
        classCount[vote] += 1
        sortedClassCount = sorted(classCount.iterms(),key=operator.itemgetter(1),reverse=True)
    return sortedClassCount[0][0]

# 创建树
def createTree(dataSet,labels):
    classList = [example[-1] for example in dataSet]
    if classList.count(classList[0]) == len(classList):
        return classList[0]
    if len(dataSet[0]) == 1:
        return majorityCnt(classList)
    bestFeat = chooseBestFeatureToSplit(dataSet)
    bestFeatLabel = labels[bestFeat]    #labels是属性标签不是分类标签
    myTree = {bestFeatLabel:{}}
    #del(labels[bestFeat])   #导致原始标签列表改变
    labels_2 = labels[:]    #制作一个副本
    del(labels_2[bestFeat])
    featValues = [example[bestFeat] for example in dataSet]
    uniqueValues = set(featValues)
    for value in uniqueValues:
        sublabels = labels_2[:]
        myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet,bestFeat,value),sublabels)
    return myTree
mytree = createTree(data,labels)
print(mytree)

第三部分：

#将决策树用于分类
# {'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}}
def classify(inputTree,featLabels,testVec):
    firstStr = list(inputTree.keys())[0]
    secondDict = inputTree[firstStr]
    featIndex = featLabels.index(firstStr)
    key = testVec[featIndex]
    valueOfFeat = secondDict[key]
    if isinstance(valueOfFeat,dict):
        classLabel = classify(valueOfFeat,featLabels,testVec)
    else: classLabel = valueOfFeat
    return classLabel
print(classify(mytree,labels,[1,1]))
# 使用pickle模块存储决策树
def storeTree(inputTree,filename):
    import pickle
    fw = open(filename,'w')
    pickle.dump(inputTree,fw)
    fw.close()
# 使用pickle模块提取保存的树
def grabTree(filename):
    import pickle
    fr = open(filename)
    return pickle.load(fr)

注：将以上三部分代码合起来就是一个完整的决策树的构建、保存、分类应用的代码示例！

注释：

1、香农熵信息增益的计算公式：http://blog.sina.com.cn/s/blog_5fc375650100jgxg.html

2、划定数据集：当axis=0时，

reducedFeatVec = featVec[:axis]   结果为[]

3、技巧：列表生成式的使用

4、投票法：创建一个字典进行记录 sorted的使用

5、树构建：递归终止条件

（1）每个分支下的所有示例为同一类；

（2）或者程序遍历玩所有划分数据集的属性。

6、del函数导致原列表改变，因此创建一个副本。这是与原文程序不同处之一。

7、运行中的问题

（1）
firstStr = inputTree.keys()[0]
TypeError: 'dict_keys' object does not support indexing
在python2.x中，dict.keys()返回一个列表，在python3.x中，dict.keys()返回一个dict_keys对象，比起列表，这个对象的行为更像是set，所以不支持索引的。
解决方案：list(dict.keys())[index]

（2）

python IndentationError: unindent does not match any outer indentation level
解决方法：代码块未对齐。