决策树——选择最好的划分方法之信息熵

决策树（Decision Tree）是一种简单但是广泛使用的分类器。通过训练数据构建决策树，可以高效的对未知的数据进行分类。决策数有两大优点：1）决策树模型可以读性好，具有描述性，有助于人工分析；2）效率高，决策树只需要一次构建，反复使用，每一次预测的最大计算次数不超过决策树的深度。
训练数据如下表：

根据训练数据集的数据，构造决策树

比如新发现一种动物，通过决策树就可以判断它是否是鱼类
但是在本例中决策树的划分也不止上图的一种，还有另一种

我们通过表能看出第二种分类也能正确分类
但是计算机最终只生成一种决策树，那么如何选择呢？在这里就要使用信息熵来决定使用哪种方案
下面代码给出了选择哪个特征（不浮出水面是否可以生存、是否有脚蹼）能最好的划分数据集

# coding:utf-8 
from math import log
import operator
##创建训练数据集
def createDataSet():
    dataSet = [[1, 1, 'yes'],
               [1, 1, 'yes'],
               [1, 0, 'no'],
               [0, 1, 'no'],
               [0, 1, 'no']] #数据集的最后一个元素作为该数据的标签，是否是鱼
    labels = ['no surfacing','flippers'] #不浮出水面是否可以生存、是否有脚蹼
    return dataSet, labels

##计算信息熵
def calcShannonEnt(dataSet):
    numEntries = len(dataSet)
    labelCounts = {}
    for featVec in dataSet: #计算每一个标签出现的次数
        currentLabel = featVec[-1] #数据集的最后一个元素是该数据的标签，表示是否是鱼
        if currentLabel not in labelCounts.keys(): labelCounts[currentLabel] = 0
        labelCounts[currentLabel] += 1
    shannonEnt = 0.0
    for key in labelCounts: #计算信息熵
        prob = float(labelCounts[key])/numEntries
        shannonEnt -= prob * log(prob,2) #log base 2
    return shannonEnt
##分割数据集 axis即为在每一行中第axis个元素作为特征值划分并选出值与value相等的那一行，但要除去第axis个元素
def splitDataSet(dataSet, axis, value):
    retDataSet = []
    for featVec in dataSet:
        if featVec[axis] == value:
            reducedFeatVec = featVec[:axis]     #输出的数据中要剔除该行第axis个元素
            reducedFeatVec.extend(featVec[axis+1:])#输出的数据中要剔除该行第axis个元素
            retDataSet.append(reducedFeatVec)
    return retDataSet
##选择最好的数据集划分方式
def chooseBestFeatureToSplit(dataSet):
    numFeatures = len(dataSet[0]) - 1      #每一行的最后一个元素作为该行的标签
    baseEntropy = calcShannonEnt(dataSet)
    bestInfoGain = 0.0; bestFeature = -1
    for i in range(numFeatures):        #遍历每一个特征
        featList = [example[i] for example in dataSet]#取出特征值数组，即取出数据集每行的第i列组成一个数组
        uniqueVals = set(featList)       #使用set数据类型来去除重复项
        newEntropy = 0.0
        for value in uniqueVals:
            subDataSet = splitDataSet(dataSet, i, value) #分割数据集
            prob = len(subDataSet)/float(len(dataSet))
            newEntropy += prob * calcShannonEnt(subDataSet)     
        infoGain = baseEntropy - newEntropy     #计算数据集的基础信息熵与所选特征信息熵的差值，越大表示选择的特征所具有的信息熵越小，就选择该特征
        if (infoGain > bestInfoGain):       
            bestInfoGain = infoGain         
            bestFeature = i
    return bestFeature                      #返回能最好划分数据集的特征， 如dataSet = [[1, 1, 'yes'], [1, 1, 'yes'],[1, 0, 'no'], [0, 1, 'no'],[0, 1, 'no']] 一行中的第一个元素或第二个元素

dataSet, labels=createDataSet()
print chooseBestFeatureToSplit(dataSet)

计算出的结果为 0，说明选择不浮出水面是否可以生存该特征