《机器学习实战》——决策树

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

在划分数据集前后数据信息的变化称为信息增益。

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

信息增益的定义：

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

(2)计算第一个特征的信息增益

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。