第五章决策树

最新推荐文章于 2022-11-13 19:33:54 发布

_威行天下_

最新推荐文章于 2022-11-13 19:33:54 发布

阅读量233

点赞数

分类专栏： sklearn 机器学习文章标签：统计学习方法机器学习

本文链接：https://blog.csdn.net/koukehui0292/article/details/84659019

版权

机器学习同时被 2 个专栏收录

17 篇文章 0 订阅

订阅专栏

sklearn

8 篇文章 0 订阅

订阅专栏

基本梳理:

决策树模型与学习
- 决策树是通过一系列规则对数据进行分类的过程
- 优点
  - 推理过程容易理解
  - 依赖于属性变量
  - 忽略没有贡献的属性变量
- 核心是归纳算法
- 决策树相关的重要算法
  - CLS
  - ID3
  - C4.5
  - CART
特征选择
- 决策树的CLS算法
- 信息增益
  - 熵
    - 消息量大小的度量
    - $\left( a _ { i } \right) = p \left( a _ { i } \right) \log _ { 2 } \frac { 1 } { p \left( a _ { i } \right) }$
    - 熵越大,随机变量的不确定性越大
  - 条件熵
    - $\sum _ { i = 1 } ^ { n } p _ { i } H ( Y | X = x _ { i } )$
  - 消息增益
    - $g (D, A) = H (D) - H (D ∣ A)$
    - 得知特征X的消息而使的类Y的消息的不确定性减少的程度
  - 算法
    - 输入:训练数据集D和特征A
    - 输出:特征A对训练数据集D的信息增益g(D,A)
    - 计算数据集D的经验熵H(D)
      - H ( D ) = - \sum _ { k = 1 } ^ { K } \frac { \left| C _ { k } \right| } { D | } \log _ { 2 } \frac { \left| C _ { k } \right| } { | D | }
    - 计算特征A对数据集D的经验条件熵H(D|A)
      - $\sum _ { i = 1 } ^ { n } \frac { \left| D _ { i } \right| } { | D | } H \left( D _ { i } \right) = - \sum _ { i = 1 } ^ { n } \frac { \left| D _ { i } \right| } { D | } \sum _ { k = 1 } ^ { K } \frac { \left| D _ { i k } \right| } { \left| D _ { i } \right| } \log _ { 2 } \frac { \left| D _ { i k } \right| } { \left| D _ { i } \right| }$
    - 计算信息增益
      - $g (D, A) = H (D) - H (D ∣ A)$
决策树的生成
决策树的剪枝
CART算法
- 分类树(目标变量是类别的)
- 回归树(目标变量是连续的)

代码小练习:

ID3（基于信息增益）
C4.5（基于信息增益比）
CART（gini指数）

entropy： $-\sum_{i=1}^{n}p_i\log{p_i}$

conditional entropy: $H(X|Y)=\sum{P(X|Y)}\log{P(X|Y)}$

information gain : $g (D, A) = H (D) - H (D ∣ A)$

information gain ratio: $g_R(D, A) = \frac{g(D,A)}{H(A)}$

gini index: $Gini(D)=\sum_{k=1}^{K}p_k\log{p_k}=1-\sum_{k=1}^{K}p_k^2$

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

from collections import Counter
import math
from math import log

import pprint

1. 创建数据

# 书上题目5.1
def create_data():
    datasets = [['青年', '否', '否', '一般', '否'],
               ['青年', '否', '否', '好', '否'],
               ['青年', '是', '否', '好', '是'],
               ['青年', '是', '是', '一般', '是'],
               ['青年', '否', '否', '一般', '否'],
               ['中年', '否', '否', '一般', '否'],
               ['中年', '否', '否', '好', '否'],
               ['中年', '是', '是', '好', '是'],
               ['中年', '否', '是', '非常好', '是'],
               ['中年', '否', '是', '非常好', '是'],
               ['老年', '否', '是', '非常好', '是'],
               ['老年', '否', '是', '好', '是'],
               ['老年', '是', '否', '好', '是'],
               ['老年', '是', '否', '非常好', '是'],
               ['老年', '否', '否', '一般', '否'],
               ]
    labels = [u'年龄', u'有工作', u'有自己的房子', u'信贷情况', u'类别']
    # 返回数据集和每个维度的名称
    return datasets, labels

datasets, labels = create_data()
train_data = pd.DataFrame(datasets, columns=labels)
train_data

	年龄	有工作	有自己的房子	信贷情况	类别
0	青年	否	否	一般	否
1	青年	否	否	好	否
2	青年	是	否	好	是
3	青年	是	是	一般	是
4	青年	否	否	一般	否
5	中年	否	否	一般	否
6	中年	否	否	好	否
7	中年	是	是	好	是
8	中年	否	是	非常好	是
9	中年	否	是	非常好	是
10	老年	否	是	非常好	是
11	老年	否	是	好	是
12	老年	是	否	好	是
13	老年	是	否	非常好	是
14	老年	否	否	一般	否

熵

def calc_ent(datasets):
    data_length = len(datasets)
    label_count = {}
    for i in range(data_length):
        label = datasets[i][-1]
        if label not in label_count:
            label_count[label] = 0
        label_count[label] += 1
    ent = -sum([ (p/data_length)*log(p/data_length,2) for p in label_count.values()])
    return ent

条件熵

def cond_ent(datasets,axis=0):
    data_length = len(datasets)
    feature_sets = {}
    for i in range(data_length):
        feature = datasets[i][axis]
        if feature not in feature_sets:
            feature_sets[feature] = []
        feature_sets[feature].append(datasets[i])
    cond_ent = sum([(len(p)/data_length)*calc_ent(p) for p in feature_sets.values()])
    return cond_ent

信息增益

def info_gain(ent,cond_ent):
    return ent - cond_ent

训练

def info_gain_train(datasets):
    count = len(datasets[0]) - 1
    ent = calc_ent(datasets)
    best_feature = []
    for c in range(count):
        c_info_gain = info_gain(ent,cond_ent(datasets,axis=c))
        best_feature.append((c,c_info_gain))
        print('特征({}) 的 info_gain : {:.5f}'.format(labels[c], c_info_gain))
    best_ = max(best_feature,key = lambda x: x[-1])
    return '特征({})的信息增益最大，选择为根节点特征'.format(labels[best_[0]])

info_gain_train(np.array(datasets))

特征(年龄) 的 info_gain : 0.08301
特征(有工作) 的 info_gain : 0.32365
特征(有自己的房子) 的 info_gain : 0.41997
特征(信贷情况) 的 info_gain : 0.36299





'特征(有自己的房子)的信息增益最大，选择为根节点特征'

利用ID3算法生成决策树

class Node:
    def __init__(self,root=True,label=None,feature_name=None,feature=None):
        self.root = root
        self.label = label
        self.feature_name = feature_name
        self.feature = feature
        self.tree = {}
        self.result = {'label:': self.label, 'feature': self.feature, 'tree': self.tree}
        #elf.result = {"label:"self.label,"feature:"self.feature,"tree":self.tree}
        
    def __repr__(self):
        return "{}".format(self.result)
    
    def add_node(self,val,node):
        self.tree[val] = node
        
    def predict(self,features):
        if self.root is True:
            return self.label
        return self.tree[features[self.feature]].predict(features)

class DTree:
    def __init__(self,epsilon=0.1):
        self.epsilon = epsilon
        self._tree = {}
        
    # 熵
    @staticmethod
    def calc_ent(datasets):
        data_length = len(datasets)
        label_count = {}
        for i in range(data_length):
            label = datasets[i][-1]
            if label not in label_count:
                label_count[label] = 0
            label_count[label] += 1
        ent = -sum([(p/data_length)*log(p/data_length, 2) for p in label_count.values()])
        return ent

    # 经验条件熵
    def cond_ent(self, datasets, axis=0):
        data_length = len(datasets)
        feature_sets = {}
        for i in range(data_length):
            feature = datasets[i][axis]
            if feature not in feature_sets:
                feature_sets[feature] = []
            feature_sets[feature].append(datasets[i])
        cond_ent = sum([(len(p)/data_length)*self.calc_ent(p) for p in feature_sets.values()])
        return cond_ent

    # 信息增益
    @staticmethod
    def info_gain(ent, cond_ent):
        return ent - cond_ent

    def info_gain_train(self, datasets):
        count = len(datasets[0]) - 1
        ent = self.calc_ent(datasets)
        best_feature = []
        for c in range(count):
            c_info_gain = self.info_gain(ent, self.cond_ent(datasets, axis=c))
            best_feature.append((c, c_info_gain))
        # 比较大小
        best_ = max(best_feature, key=lambda x: x[-1])
        return best_
    
    def train(self,train_data):
        _, y_train, features = train_data.iloc[:, :-1], train_data.iloc[:, -1], train_data.columns[:-1]
        # 1,若D中实例属于同一类Ck，则T为单节点树，并将类Ck作为结点的类标记，返回T
        if len(y_train.value_counts()) == 1:
            return Node(root=True,
                        label=y_train.iloc[0])

        # 2, 若A为空，则T为单节点树，将D中实例树最大的类Ck作为该节点的类标记，返回T
        if len(features) == 0:
            return Node(root=True, label=y_train.value_counts().sort_values(ascending=False).index[0])

        # 3,计算最大信息增益 同5.1,Ag为信息增益最大的特征
        max_feature, max_info_gain = self.info_gain_train(np.array(train_data))
        max_feature_name = features[max_feature]

        # 4,Ag的信息增益小于阈值eta,则置T为单节点树，并将D中是实例数最大的类Ck作为该节点的类标记，返回T
        if max_info_gain < self.epsilon:
            return Node(root=True, label=y_train.value_counts().sort_values(ascending=False).index[0])

        # 5,构建Ag子集
        node_tree = Node(root=False, feature_name=max_feature_name, feature=max_feature)

        feature_list = train_data[max_feature_name].value_counts().index
        for f in feature_list:
            sub_train_df = train_data.loc[train_data[max_feature_name] == f].drop([max_feature_name], axis=1)

            # 6, 递归生成树
            sub_tree = self.train(sub_train_df)
            node_tree.add_node(f, sub_tree)

        # pprint.pprint(node_tree.tree)
        return node_tree
    def fit(self, train_data):
        self._tree = self.train(train_data)
        return self._tree

    def predict(self, X_test):
        return self._tree.predict(X_test)

datasets, labels = create_data()
data_df = pd.DataFrame(datasets, columns=labels)
dt = DTree()
tree = dt.fit(data_df)

tree

{'label:': None, 'feature': 2, 'tree': {'是': {'label:': '是', 'feature': None, 'tree': {}}, '否': {'label:': None, 'feature': 1, 'tree': {'是': {'label:': '是', 'feature': None, 'tree': {}}, '否': {'label:': '否', 'feature': None, 'tree': {}}}}}}

dt.predict(['老年', '否', '否', '一般'])

'否'

sklearn.tree.DecisionTreeClassifier

criterion : string, optional (default=”gini”)

The function to measure the quality of a split. Supported criteria are “gini” for the Gini impurity and “entropy” for the information gain.

# data
def create_data():
    iris = load_iris()
    df = pd.DataFrame(iris.data, columns=iris.feature_names)
    df['label'] = iris.target
    df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'label']
    data = np.array(df.iloc[:100, [0, 1, -1]])
    # print(data)
    return data[:,:2], data[:,-1]

X, y = create_data()
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

from sklearn.tree import DecisionTreeClassifier
from sklearn import tree
from sklearn.tree import export_graphviz
import graphviz

clf = DecisionTreeClassifier()
clf.fit(X_train, y_train,)

DecisionTreeClassifier(class_weight=None, criterion='gini', max_depth=None,
            max_features=None, max_leaf_nodes=None,
            min_impurity_decrease=0.0, min_impurity_split=None,
            min_samples_leaf=1, min_samples_split=2,
            min_weight_fraction_leaf=0.0, presort=False, random_state=None,
            splitter='best')

tree_pic = export_graphviz(clf, out_file="mytree.pdf")
with open('mytree.pdf') as f:
    dot_graph = f.read()
graphviz.Source(dot_graph)

在这里插入图片描述

clf.score(X_test, y_test)

0.90000000000000002

_威行天下_

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
第五章决策树

基本梳理:决策树模型与学习决策树是通过一系列规则对数据进行分类的过程优点推理过程容易理解依赖于属性变量忽略没有贡献的属性变量核心是归纳算法决策树相关的重要算法CLSID3C4.5CART特征选择决策树的CLS算法信息增益熵消息量大小的度量I(ai)=p(ai)log⁡21p(ai)I \left( a _ { i } \right) ...
复制链接

扫一扫