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。