在这篇博文中,总结了决策树的基本用法和用python写的测试demo
1. 决策树的定义
分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点(Node)和有向边(directed edge)组成。结点有两种类型:内部结点(internal node)和叶节点(leaf node)。内部结点表示一个特征或属性,叶结点表示一个类。
2. 决策树测试过程
用决策树分类,从根结点开始,对实例的某一特征进行测试,根据测试结果,将实例分配到其子结点;这时,每一个子结点对应着该特征的一个取值,如此递归地对实例进行测试并分配,直至达到叶结点,最终将实例分到叶结点的类中。
决策树模型的简单表示:
3.决策树的构造
在构造决策树时,我们首先需要选择哪个特征作为分类特征,为了找到决定性特征,我们需要评估每一个特征,具体评估方法将在下一节中介绍。
在选择完分类特征后,用该特征对数据进行划分为几个数据子集,这些数据子集会分布在第一个决策点的所有分支上。如果某个分支下的数据属于同一类型,则已经正确地划分数据分类,无需再进一步对数据集进行分割了。如果数据子集内的数据不属于同一类型,则需要重复划分数据子集,直到数据属于同一类型。
上述决策树的构造过程伪代码函数createBranch()如下:
检测数据集中的每个子项是否属于同一分类:
If so return 类标签
Else
寻找划分数据集的最好特征
划分数据集
创建分支节点
for 每个划分的子集
调用函数createBranch并增加返回结果到分支节点中
return 分支节点
4.划分数据集的特征选择
划分数据的最大原则是:将无序的数据变得更加有序。
常用的特征选择方法有:ID3、C4.5、CART算法,本文将介绍ID3算法进行特征选择。
- 信息增益
那么如何表示信息,又如何表示信息增益呢?
信息的定义:
l(xi)=-log2(p(xi))
(其中p(xi)是选择该分类的概率)
由图可知,数据的信息随着某类别xi的概率增加而减小,当概率为1时,信息量为0。
熵的定义:
在信息论与概率统计中,熵表示随机变量不确定性的度量。我们用类别所有可能值包含的信息的数学期望来计算熵:
H(p(xi)=-∑p(xi)log2(p(xi))
条件熵H(Y|X):
表示随机变量X的条件下随机变量Y的不确定性,定义为X给定条件下Y的条件概率分布的熵对X的数学期望:
H(Y|X)=∑piH(Y|X=xi) (其中:pi=P(X=xi))
计算熵的Python程序:
from math import log
def calcShannonEnt(dataSet):
numEntries = len(dataSet)
labelCounts = {}
for featVec in dataSet: #the the number of unique elements and their occurance
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])/numEntries
shannonEnt -= prob * log(prob,2) #log base 2
return shannonEnt
信息增益表示已知特征X的信息而使得类Y的信息的不确定性(也就是熵)减小的程度。
用公式表达就是:
g(D,A)=H(D)-H(D|A)
(g(D,A):特征A对训练数据集D的信息增益,H(D):数据集D的经验熵,H(D|A):特征A条件下D的经验条件熵)
通过计算信息增益,找到使信息增益最大的特征,先给上Python程序:
def splitDataSet(dataSet, axis, value):
retDataSet = []
for featVec in dataSet:
if featVec[axis] == value:
reducedFeatVec = featVec[:axis] #chop out axis used for splitting
reducedFeatVec.extend(featVec[axis+1:])
retDataSet.append(reducedFeatVec)
return retDataSet
def chooseBestFeatureToSplit(dataSet):
numFeatures = len(dataSet[0]) - 1 #the last column is used for the labels
baseEntropy = calcShannonEnt(dataSet)
bestInfoGain = 0.0; bestFeature = -1
for i in range(numFeatures): #iterate over all the features
featList = [example[i] for example in dataSet]#create a list of all the examples of this feature
uniqueVals = set(featList) #get a set of unique values
newEntropy = 0.0
for value in uniqueVals:
subDataSet = splitDataSet(dataSet, i, value)
prob = len(subDataSet)/float(len(dataSet))
newEntropy += prob * calcShannonEnt(subDataSet)
infoGain = baseEntropy - newEntropy #calculate the info gain; ie reduction in entropy
if (infoGain > bestInfoGain): #compare this to the best gain so far
bestInfoGain = infoGain #if better than current best, set to best
bestFeature = i
return bestFeature #returns an integer
例子:
样本数据:
(5个样本,具有2个特征:'no surfacing', 'flippers',每个特征都只取1或0;样本分类结果有2种:‘yes'、'no')
>>> dataSet
[[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']]
>>> labels
['no surfacing', 'flippers']
(1)计算整个数据集的原始熵
>>> baseEntropy =trees. calcShannonEnt(dataSet)
>>> baseEntropy
0.9709505944546686
第一个特征中所有类别:
uniqueVals = set([0, 1])
第一个特征取0时划分的数据集;并求出概率和条件熵:
>>> subDataSet=[[1, 'no'], [1, 'no']]
>>> prob = len(subDataSet)/float(len(dataSet)) = 0.4
条件熵:newEntropy += prob * calcShannonEnt(subDataSet) = 0
第一个特征取1时划分的数据集;并求出概率和条件熵:
>>> subDataSet=[[1, 'yes'], [1, 'yes'], [0, 'no']]
>>> prob = len(subDataSet)/float(len(dataSet)) = 0.6
条件熵:newEntropy += prob * calcShannonEnt(subDataSet) = 0.5509775004326937
第一个特征的信息增益
infoGain = baseEntropy - newEntropy = 0.4199730940219749
(3)相同的算法计算出其他特征的信息增益
(4)找到使信息增益最大的特征,即为选择的特征。
5.递归构建决策树
我们根据上一节的方法选择特征后,就可以把数据集划分到树分支的下一个节点中了,在下个节点中,我们又用相同的算法进行划分,直到程序遍历完所有划分数据集的属性,或者,每个分支下的所有实例属于相同的类。
创建树的Python代码:
def majorityCnt(classList):
classCount={}
for vote in classList:
if vote not in classCount.keys(): classCount[vote] = 0
classCount[vote] += 1
sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)
return sortedClassCount[0][0]
def createTree(dataSet,labels):
classList = [example[-1] for example in dataSet]
if classList.count(classList[0]) == len(classList):
return classList[0]#stop splitting when all of the classes are equal 输出相同的类
if len(dataSet[0]) == 1: #stop splitting when there are no more features in dataSet 投票表决输出频率最高的类
return majorityCnt(classList)
bestFeat = chooseBestFeatureToSplit(dataSet)
bestFeatLabel = labels[bestFeat]
myTree = {bestFeatLabel:{}}
del(labels[bestFeat])
featValues = [example[bestFeat] for example in dataSet]
uniqueVals = set(featValues)
for value in uniqueVals:
subLabels = labels[:] #copy all of labels, so trees don't mess up existing labels
myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value),subLabels)
return myTree
6.使用决策树进行分类
使用决策树和决策树上的标签向量,程序比较测试数据与决策树上的数值,递归执行该过程直到进入叶子节点,最后把测试数据定义为叶子节点所属的类。
def classify(inputTree,featLabels,testVec):
firstStr = 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
7.实例
决策树的直观表示:
8.其他
过度细分的决策树可能会出现过度匹配数据的过拟合问题,我们可以通过裁剪决策树,合并相邻叶节点等方式解决
还有C4.5和CART等其他决策树构造算法,将在以后博文中总结。