'''
需要文件联系我
决策树
优点: 计算复杂度不高,输出结果易于理解,对中间值缺失不敏感,可以处理不相关特征数据
缺点:可能会产生过度匹配问题
适用数据类型:数值型,标称型
一般流程:
收集数据
准备数据:数构造算法只适合用于标称型数据,因此数值型数据必须离散化
分析数据
训练算法
测试算法
使用算法
划分数据集:
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点中
Return 分支节点
信息增益——————
原则:将无序数据变为有序数据
集合信息的度量方式成为香浓熵或者简称熵(ShannonEnt)
熵定义为信息的期望
l(xi) = -log2p(xi) p(xi)表示选择该分类的概率
计算所有类别所有可能值包含的信息期望
H = -Σp(xi)log2p(xi) 1->n
熵越高混合的数据越高
得到熵之后可以按照获取最大信息增益的方法划分数据集
另一个方法基尼不纯度
'''
from math import log
import operator
def createDataSet():
dataSet=[[1, 1, 'yes'],
[1, 1, 'yes'],
[1, 0, 'no'],
[0, 1, 'no'],
[0, 1, 'no']]
labels = ['no surfacing', 'fippers']
return dataSet, labels
def calcShannonEnt(dataSet):
#计算给定数据的香农熵
numEntries = len(dataSet) #多少组数据
labelCounts = {} #存储标签
for featVec in dataSet:
currentLabel = featVec[-1] #获得标签
if currentLabel not in labelCounts.keys(): #如果当前标签没有出现过
labelCounts[currentLabel] = 0 #创建一个新的标签键值 并且设置为0
labelCounts[currentLabel] += 1 #当前标签+1
ShannonEnt = 0.0 #计算香农熵
for key in labelCounts: # 对于每个标签
prob = float(labelCounts[key])/numEntries #计算当前标签的概率
ShannonEnt -= prob*log(prob, 2) #计算log
return ShannonEnt #返回香农熵
'''
myDat, labels = createDataSet()
shannon = calcShannonEnt(myDat)
print(shannon)
myDat[0][-1] = 'maybe'
shannon = calcShannonEnt(myDat)
print(shannon)
'''
def splitDataSet(dataSet, axis, value):
# 划分数据集
# 带划分的数据集,划分数据集的特征, 需要返回的特征值
retDataSet = [] #存值
for featVec in dataSet: # 对于每一个数据
if featVec[axis] == value: #如果是需要返回的数据
reducedFeatVec = featVec[:axis] # 复制
reducedFeatVec.extend(featVec[axis+1:]) #复制 extend 在list 后 一次性追加多个值
retDataSet.append(reducedFeatVec)
return retDataSet
def chooseBestFeatureToSplit(dataSet):#选择最好的数据集划分方式
numFeatures = len(dataSet[0]) - 1 #计算数据形状 最后一列’yes‘ ’no‘ 不计算
baseEntropy = calcShannonEnt(dataSet) #计算香农熵
bestInfoGain = 0.0 # 最好的信息增益
bestFeature = -1 # 最好的特征值
for i in range(numFeatures): #对于每一个特征值
featList = [example[i] for example in dataSet] #每一列的值
uniqueVals = set(featList) #创建唯一的分类标签
newEntropy = 0.0 #新的香农熵
for value in uniqueVals: #对于每一个标签
subDataSet = splitDataSet(dataSet, i , value)# 划分数据
prob = len(subDataSet)/float(len(dataSet)) #概率
newEntropy += prob*calcShannonEnt(subDataSet) #新的香农熵
infoGain = baseEntropy - newEntropy #信息增益
if infoGain > bestInfoGain :# 获取最好的信息增益
bestInfoGain = infoGain #最好的信息增益
bestFeature = i #特征
return bestFeature
def majorityCnt(classList):
#创建一个唯一的数据字典, 返回次数最多的分类名称
classCount = {}
for vote in classList:
if vote not in classCount.keys():#如果第一次出现
classCount[vote] = 0
classCount[vote] += 1
sortedClassCount = sorted(classCount.items(), key = operator.itemgetter(1), reverse = True) #排序, 从大到小
return sortedClassCount[0][0]
def createTree(dataSet, labels):
classList = [example[-1] for example in dataSet]
# print('go')
if classList.count(classList[0]) == len(classList):# 如果类别完全相同 停止划分
return classList[0]
if len(dataSet[0]) == 1: #返回最多出现的类别
return majorityCnt(classList)
bestFeat = chooseBestFeatureToSplit(dataSet) #最好的划分类别
bestFeatLabel = labels[bestFeat] #最好的特征标签
myTree = {bestFeatLabel:{}} #最好的特征标签树
del(labels[bestFeat]) #删掉这个标签
featValues = [example[bestFeat] for example in dataSet]
uniqueVals = set(featValues)
for value in uniqueVals :
subLabels = labels[:]
myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value), subLabels)
return myTree
''''
myDat, labels = createDataSet()
myTree = createTree(myDat, labels)
print(myTree)
'''