决策树——告诉你 Hello Kitty 是人是猫

Hello Kitty 的种族问题

Hello Kitty,一只以无嘴造型40年来风靡全球的萌萌猫,在其40岁生日时,居然被其形象拥有者宣称:Hello Kitty 不是猫!

2014年8月,研究 Hello Kitty 多年的人类学家 Christine R. Yano 在写展品解说时,却被 Hello Kitty 持有商三丽鸥纠正:Hello Kitty 是一个卡通人物,她是一个小女孩,是一位朋友,但她“绝不”是一只猫。

 

粉了快半个世纪的世界萌猫,你说是人就是人啦?!就算是形象持有者,也没权利下这个定论啊!

谁有权认定 Hello Kitty 是人是猫呢?我们把裁决权交给世界上最公正无私的裁判—— 计算机。让机器来决定。

机器如何具备区分一个形象属于哪个物种的知识呢?让它学习呀!机器是可以学习的。我们用计算机编个程序,再输入一堆数据,等着这个程序运行一个算法来处理这些数据。最后,我们需要的结论就显示在屏幕上啦。就是这么简单!

那么来看看我们需要的数据和算法吧。

训练数据

如下图所示,左边一堆是一群小女孩,右边一堆是一群猫。

 

特征选取

我们提取七个特征,用来判断一个形象,是人是猫。这七个特征包括:有否蝴蝶结;是否穿衣服;是否高过5个苹果;是否有胡子;是否圆脸;是否有猫耳朵;是否两脚走路。

用一个表格来表现这七个特征则,如下图所示(第一列为 Label,第2至8列为7个特征,每个特征只有两个取值,Yes 或者 No):

enter image description here

Table-1

用 ID3 算法构造分类树

本例中,我们选用最简单的 ID3 算法,代入数据进行计算。

(1)根据信息熵的概念,我们先来计算 Entropy(S)。因为总共只有两个类别:人和猫,因此 n==2。

Entropy(S)=−∑ni=1pilog(pi)=−pGirllog(pGirl)−pCatlog(pCat)=−9/17⋅log(9/17)−8/17⋅log(8/17)=0.69

(2)然后我们再分别计算各个特征的:

Entropy(S|T)=∑value(T)|Sv||S|Entropy(Sv)

因为无论哪个特征,都只有两个特征值:Yes 或者 No,因此 value(T)

总共只有两个取值。

下面以“Has a bow”为例来示意其计算过程。

Entropy(S|HasABow)=pYes(−p(Girl|Yes)log(p(Girl|Yes))–p(Cat|Yes)log(p(Cat|Yes)))+pNo(−p(Girl|No)log(p(Girl|No))–p(Cat|No)log(p(Cat|No)))=8/17⋅(−4/8⋅log(4/8)–4/8⋅log(4/8))+9/17⋅(−5/9⋅log(5/9)–4/9⋅log(4/9))=0.69

InformationGain(T)=Entropy(S)−∑value(T)|Sv||S|Entropy(Sv)

依次计算其他几项,得出如下结果:

Entropy(S|Wear Clothes)  = 0.31

Entropy(S|Less than 5 apples tall) = 0.60

Entropy(S|Has whiskers) =  0.36

Entropy(S|Has round face) =  0.61

Entropy(S|Has cat ears) =  0.18

Entropy(S|Walks on 2 feet) =  0.36

(3)进一步计算,得出 InfoGain(Has cat ears) 最大,因此“Has cat ears”是第一个分裂节点。

而从这一特征对应的类别也可以看出,所有特征值为 No 的都一定是 Girl;特征值为 Yes,可能是 Girl 也可能是 Cat,那么第一次分裂,我们得出如下结果:

 

现在“Has cat ears”已经成为了分裂点,则下一步将其排除,用剩下的6个 Feature 继续分裂成树:

enter image description here

Table-2

Table-2 为第二次分裂所使用的训练数据,相对于 Table-1,“Has cat ears”列,和前7行对应“Has cat ears”为 No 的数据都已经被移除,剩下部分用于第二次分裂。

如此反复迭代,最后使得7个特征都成为分裂点。

需要注意的是,如果某个特征被选为当前轮的分裂点,但是它在现存数据中只有一个值,另一个值对应的记录为空,则这个时候针对不存在的特征值,将它标记为该特征在所有训练数据中所占比例最大的类型。

对本例而言,当我们将“Wear Clothes”作为分裂点时,会发现该特征只剩下了一个选项——Yes(如下 Table-3 所示)。此时怎么给“Wear Clothes”为 No 的分支做标记呢?

enter image description here

Table-3

这时就要看在 Table-1 中,“Wear Clothes”为 No 的记录中是 Girl 多还是 Cat 多。一目了然,在 Table-1 中这两种记录数量为 0:6,因此“Wear Clothes”为 No 的分支直接标志成 Cat。

根据上述方法,最终我们构建出了如下决策树:

 

决策树构建过程,如下代码所示:

    DecisionTree induceTree(training_set, features) {
        If(training_set中所有的输入项都被标记为同一个label){
                    return 一个标志位该label的叶子节点;
        } else if(features为空) {
          # 默认标记为在所有training_set中所占比例最大的label 
          return 一个标记为默认label的叶子节点;  
       } else {
           选取一个feature,F;
    以F为根节点创建一棵树currentTree;
           从Features中删除F;
            foreach(value V of F) {                                
       将training_set中feature F的取值为V的元素全部提取出来,组成partition_v;
                   branch_v= induceTree(partition_V, features);
                   将branch_v添加为根节点的子树,根节点到branch_v的路径为F的V值;
            }
            returncurrentTree;
        }
    }

后剪枝优化决策树

决策树剪枝

剪枝是优化决策树的常用手段。剪枝方法大致可以分为两类:

  1. 先剪枝(局部剪枝):在构造过程中,当某个节点满足剪枝条件,则直接停止此分支的构造;
  2. 后剪枝(全局剪枝):先构造完成完整的决策树,再通过某些条件遍历树进行剪枝。

后剪枝优化 Hello Kitty 树

现在,决策树已经构造完成,所以我们采用后剪枝法,对上面决策树进行修剪。

如图中显示,最后两个分裂点“Has round face”和“Has a bow”存在并无意义——想想也是啊,无论人猫,都有可能是圆脸,也都可以戴蝴蝶结啊。

所以我们遍历所有节点,将没有区分作用的节点删除。完成后,我们的决策树变成了下面这样:

 

用决策树对 Hello Kitty 进行分类

我们将 Hello Kitty 的特征带入 Cat-Girl 决策树,发现 Hello Kitty:Has cat ears: Yes -> Walk on 2 feet: Yes -> Wear Clothes: Yes -> Has whiskers: Yes -> Less than 5 apples: Yes -> Cat。

Bingo! Hello Kitty 是只猫!这是我们的 ID3 决策树告诉我们的!

代码实现

下面的代码就是用 numpy 和 sklearn 来实现例子中的训练分类树来判断 Hello Kitty 种族所对应的程序。

    from sklearn import tree
    from sklearn.model_selection im
    port train_test_split
    import numpy as np

    #9个女孩和8只猫的数据,对应7个feature,yes取值为1,no为0
    features = np.array([
        [1, 1, 0, 0, 1, 0, 1],
        [1, 1, 1, 0, 0, 0, 1],
        [0, 1, 0, 0, 0, 0, 1],
        [1, 1, 0, 0, 1, 0, 1],
        [0, 1, 0, 0, 1, 0, 0],
        [0, 1, 0, 0, 1, 0, 1],
        [1, 1, 0, 0, 1, 0, 1],
        [0, 1, 0, 0, 1, 0, 1],
        [0, 1, 0, 1, 1, 1, 1],
        [1, 0, 1, 1, 1, 1, 0],
        [0, 0, 0, 1, 1, 1, 0],
        [1, 0, 1, 1, 1, 1, 0],
        [0, 0, 0, 1, 1, 1, 0],
        [1, 0, 0, 1, 1, 1, 0],
        [0, 0, 1, 0, 1, 1, 0],
        [1, 1, 1, 1, 1, 1, 0],
        [1, 0, 1, 1, 1, 1, 0]
    ])

    #1 表示是女孩,0表示是猫  
    labels = np.array([
        [1],
        [1],
        [1],
        [1],
        [1],
        [1],
        [1],
        [1],
        [1],
        [0],
        [0],
        [0],
        [0],
        [0],
        [0],
        [0],
        [0],
    ])

    # 从数据集中取20%作为测试集,其他作为训练集
    X_train, X_test, y_train, y_test = train_test_split(
        features,
        labels,
        test_size=0.2,
        random_state=0,
    )

    # 训练分类树模型
    clf = tree.DecisionTreeClassifier()
    clf.fit(X=X_train, y=y_train)

    # 测试
    print(clf.predict(X_test))
    # 对比测试结果和预期结果
    print(clf.score(X=X_test, y=y_test))

    # 预测HelloKitty
    HelloKitty = np.array([[1,1,1,1,1,1,1]])
    print(clf.predict(HelloKitty))
©️2020 CSDN 皮肤主题: 点我我会动 设计师:上身试试 返回首页