1.信息增益
决策树应该是比较简单的概念了,其结构类似于二叉树,从根节点向下依次判断,直至叶子节点获得结果。对于基本结构不多说了,这里主要说一下和决策树相关的两个数学上的概念,即信息增益和香农熵。信息增益是指的以某一个特征对数据集划分前后数据集发生的变化,而香农熵则是度量这一变化的量。
香农熵的计算公式如下:
计算香农熵的代码:
def calcShannonEnt(dataSet): #计算香农熵
numEntries = len(dataSet)
labelCounts = {}
for featVec in dataSet:
currentLabel = featVec[-1]
if currentLabel not in labelCounts.keys():#返回所有键值
labelCounts[currentLabel] = 0
labelCounts[currentLabel] += 1 #统计该类别出现的次数
shannonEnt = 0.0
for key in labelCounts:
prob = float(labelCounts[key])/numEntries
shannonEnt -= prob * log(prob,2)
return shannonEnt
以上代码比较简单,在数据集中数据是以[1,1,’yes’]这样的形式存放的,最后一个元素即为标签,以此为基础,建立一个空字典统计各个标签出现的次数,以每个标签出现的次数做分子来计算标签出现的概率,计算香农熵。
2.划分数据集
这一步我们需要两个函数,一个是按照给定的特征划分数据集,另一个是选择如何选择划分效果最好的特征。
按照给定的特征划分数据集代码:
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
以上代码使用了三个参数,带划分的数据集、给定的特征、需要返回的特征的值。这里首先建立一个空列表用来存储返回的数据集合,然后遍历数据集,找到数据集中符合给定特征要求的值的元素,将其抽出来并添加到新的列表中。
在这里要注意的是extend()和append()两种方法看起来相似,其实大有不同,在处理列表和单个元素时两者功能一样,但是当处理两个列表时就不同了,append()是将第二个元素以列表的形式加入到第一个列表中的,比如a=[1,2,3],b=[4,5,6], a.extend(b) 的结果是[1,2,3,4,5,6],a.append(b)的结果是[1,2,3,[4,5,6]]是直接将列表b整个作为第4个元素加入到列表a的。
选择最好的划分方式的代码如下:
def chooseBestFeatureToSplit(dataSet):
numFeatures = len(dataSet[0])-1 #数据集的长度
baseEntropy = calcShannonEnt(dataSet) #初始数据集的熵
bestInfoGain = 0.0 #初始化最优信息增益
bestFeature = -1 #最优特征的位置
for i in range (numFeatures): #遍历特征集
featList = [example[i]for example in dataSet] #各元素中特征i的特征值的集合
uniqueVals= set(featList) #建立一个无序不重复的特征值的集合
newEntropy= 0.0
for value in uniqueVals: #遍历特征值集
subDataSet = splitDataSet(dataSet,i,value) #划分后的子集
prob = len(subDataSet)/float(len(dataSet)) #划分后子集的概率
newEntropy+=prob*calcShannonEnt(subDataSet) #香农熵
InfoGain = baseEntropy - newEntropy #计算信息增益
if(InfoGain>bestInfoGain): #判断是否为最优信息增益
bestInfoGain = InfoGain
bestFeature = i
return bestFeature #返回最优特征
这一部分代码主要是一个两层循环,外层是数据集中特征的遍历,内层是每一个特征对应特征值集合的遍历,用以上两个值对数据集进行划分,并得到一个划分后的子集,计算子集的香农熵,进而计算信息增益,并与最优信息增益比较,最后返回最优信息增益。
3.决策树的构建
对于以上划分数据集的方法,有可能存在类标签不唯一的情况,在这时我就需要通过多数表决的方式来确定叶子结点的分类,这一部分代码如下:
def majorityCht(classList):
classCount={} #建立一个空字典
for vote in classList:
if vote not in classCount.keys():classCount[vote]=0
classCount[vote]+=1
sortedclassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True) #对字典的key进行排序
return sortedclassCount[0][0]
下面是创建决策树的代码:
def createTree(dataSet,labels):
classList = [example[-1] for example in dataSet] #特征的集合
if classList.count(classList[0])==len(classList): #count()统计某个字符出现的次数
return classList[0] #如果特征都相同,则返回该特征
if len(dataSet[0])==1: #如果特征不唯一,则返回多数的特征
return majorityCht(classList)
bestFeat = chooseBestFeatureToSplit(dataSet) #选择最优特征
bestFeatLabel =labels[bestFeat]
myTree = {bestFeatLabel:{}} #生成树的根节点
del(labels[bestFeat]) #删除已经生成节点的特征
featValues = [example[bestFeat]for example in dataSet] #获取最优类特征的值
uniqueVals = set(featValues) #无序不重复集合
for value in uniqueVals: #遍历特征,继续创建决策树
subLabels = labels[:]
myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet,bestFeat,value),subLabels)
return myTree
4.使用决策树进行分类
代码如下:
def classify(inputTree,featLabels,testVec):
firstStr = inputTree.keys()[0] #取第一个特征
secondDict = inputTree[firstStr] #第一个特征的值的集合
featIndex = featLabels.index(firstStr)#字符串的索引
for key in secondDict.keys():#遍历集合
if testVec[featIndex] ==key:
if type(secondDict[key]).__name__=='dict':#判断是否为字典类型
classLabel = classify(secondDict[key],featLabels,testVec)#以此特征为根节点继续查找
else: classLabel = secondDict[key]#若不是字典类型则将其视为类标签
return classLabel
决策树的存储:
def storeTree(inputTree,filename):
import pickle
fw = open(filename,'wb')#python 3中需要以二进制形式打开
pickle.dump(inputTree,fw)
fw.close()
def grabTree(filename):
import pickle
fr = open(filename,'rb')#python 3 同上
return pickle.load(fr)