决策树--熵计算--特征分类
# 引入log计算熵
from math import log
# 熵越高,则混合的数据也越多
def createDataSet():
dataSet = [[1, 1, 'yes'],
[1, 1, 'yes'],
[1, 0, 'no'],
[0, 1, 'no'],
[0, 1, 'no']]
labels = ['no surfacing', 'flippers']
return dataSet, labels
# 1.计算数据集中实例的总是,也就是样本的总数。我们把这个值保存成一格单独的变量以便之后方便使用,提高代码的效率
# 2.创建字典,用于保存类别信息。在整个数据集当中有多少个类别,每个类别的个数是多少
# 3. 在我们创建的数据字典中,它的键是我们数据集中最后一列的值。如果当前键不存在则把这个键加入到字典当中,依次统计出现类别的次数
# 4. 最后使用所有类标签对应的次数来计算它们的概论
# 5.计算香农熵
def calcShannonEnt(dataSet):
# 获取数据长度
countDataSet = len(dataSet)
# 定义集合,用来存放label
labelCounts = {}
for featVec in dataSet:
# label为最后一列
currentLabel = featVec[-1]
if currentLabel not in labelCounts.keys():
# 注意,集合value增加方式
labelCounts[currentLabel] = 0
labelCounts[currentLabel] += 1
shannonEnt = 0.0
for key in labelCounts:
# 每个label出现的概率
prob = float(labelCounts[key]) / countDataSet
# shannonEnt -= prob * log(prob, 2)这个同下
shannonEnt = shannonEnt - prob * log(prob, 2)
return shannonEnt
# 划分数据集
def splitDataSet(dataSet, axis, value):
# dataset是链表,为了不改变外部数据,重新新建链表
retDataSet = []
for featVec in dataSet:
# axis特征,value特征值
if featVec[axis] == value:
# 除去特征然后创建一个子特征
reducedFeatVec = featVec[:axis]
reducedFeatVec.extend(featVec[axis + 1:])
# 将满足条件的样本放入新建的样本中
retDataSet.append(reducedFeatVec)
return retDataSet
if __name__ == '__main__':
dataSet, labels = createDataSet()
print(dataSet)
print(calcShannonEnt(dataSet))
retDataSet = splitDataSet(dataSet, 0, 1)
print(retDataSet)
retDataSet = splitDataSet(dataSet, 0, 0)
print(retDataSet)
计算结果如下: