机器学习实战——练习（决策树之Matplotlib绘制）

决策树之Matplotlib绘制

在上一节我们已经学会决策树啦~
但是呢
结果是这样（字典形式）：
{‘no surfacing’: {0: ‘no’, 1: {‘flippers’: {0: ‘no’, 1: ‘yes’}}}}
这节，我们把它绘制出来！

首先，我们先在Matplotlib上面练练手，画个丑东西

上代码：

import matplotlib.pyplot as plt

# 定义文本框和箭头样式
decisionNode = dict(boxstyle="sawtooth", fc="0.8")
leafNode = dict(boxstyle="round4", fc="0.8")
arrow_args = dict(arrowstyle="<-")

# 绘制带箭头的注解
# nodeTxt:注记文本
# centerPt:箭头指向的终点
# parentPt:起点
# nodeType:节点样式
def plotNode(nodeTxt, centerPt, parentPt, nodeType):
    createPlot.ax1.annotate(nodeTxt, xy=parentPt,  xycoords='axes fraction',
             xytext=centerPt, textcoords='axes fraction',
             va="center", ha="center", bbox=nodeType, arrowprops=arrow_args )


def createPlot():
    fig = plt.figure(1, facecolor='white')
    fig.clf()
    createPlot.ax1 = plt.subplot(111, frameon=False,)
    plotNode('决策节点', (0.5, 0.1), (0.1, 0.5), decisionNode)
    plotNode('叶节点', (0.8, 0.1), (0.3, 0.8), leafNode)
    plt.show()

发现中文变成空格：

解决：
加上这三句

from pylab import mpl

mpl.rcParams['font.sans-serif'] = ['FangSong']  # 指定默认字体
mpl.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题

参考blog：https://blog.csdn.net/u010758410/article/details/71743225
ok，丑东西就这样画完了~

接下来，我们来画一棵完整的树，画之前我们要先确定

• 有多少个叶节点
• 树的层数

那就对应两个方法：

# 叶子节点数
def getNumLeafs(myTree):
    print(myTree)
    numLeafs = 0
    firstStr = list(myTree.keys())[0]   # 取出第一个键
    secondDict = myTree[firstStr]       # 取出键对应的值
    for key in secondDict.keys():
        if type(secondDict[key]).__name__ == 'dict':    # 判断是否是字典类型，如'no'就是str类型，{'flippers': {0: {'head': {0: 'no', 1: 'yes'}}, 1: 'no'}}就还是dict类型
            numLeafs += getNumLeafs(secondDict[key])    # dict类型的就继续递归
        else:
            numLeafs += 1
    return numLeafs


# 树的深度
def getTreeDepth(myTree):
    print(myTree)
    maxDepth = 0
    firstStr = list(myTree.keys())[0]   # 取出第一个键
    secondDict = myTree[firstStr]       # 取出键对应的值
    for key in secondDict.keys():
        if type(secondDict[key]).__name__ == 'dict':
            thisDepth = 1 + getTreeDepth(secondDict[key])
        else:
            thisDepth = 1
        if thisDepth > maxDepth:
            maxDepth = thisDepth   # 如果我比maxDepth大，我就替代它
            print(thisDepth)
    return maxDepth

# 为了方便，直接写两棵树，就不再创建了啦~
def retrieveTree(i):
    listOfTrees = [{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}},
                  {'no surfacing': {0: 'no', 1: {'flippers': {0: {'head': {0: 'no', 1: 'yes'}}, 1: 'no'}}}}
                  ]
    return listOfTrees[i]

递归确实比较绕，不小心就会晕了~ ~！

现在有了叶节点数和层数
好紧张~我要开始画了：

def plotMidText(cntrPt, parentPt, txtString):
    xMid = (parentPt[0]-cntrPt[0])/2.0 + cntrPt[0]
    yMid = (parentPt[1]-cntrPt[1])/2.0 + cntrPt[1]
    createPlot.ax1.text(xMid, yMid, txtString, va="center", ha="center", rotation=30)


def plotTree(myTree, parentPt, nodeTxt):
    print(myTree)
    numLeafs = getNumLeafs(myTree)  # 计算树宽
    depth = getTreeDepth(myTree)    # 计算树高
    firstStr = list(myTree.keys())[0]
    cntrPt = (plotTree.xOff + (1.0 + float(numLeafs))/2.0/plotTree.totalW, plotTree.yOff)
    print(cntrPt)
    plotMidText(cntrPt, parentPt, nodeTxt)
    plotNode(firstStr, cntrPt, parentPt, decisionNode)
    secondDict = myTree[firstStr]
    plotTree.yOff = plotTree.yOff - 1.0/plotTree.totalD
    for key in secondDict.keys():
        if type(secondDict[key]).__name__ == 'dict':
            plotTree(secondDict[key], cntrPt, str(key))
        else:
            plotTree.xOff = plotTree.xOff + 1.0/plotTree.totalW
            print(plotTree.xOff)
            plotNode(secondDict[key], (plotTree.xOff, plotTree.yOff), cntrPt, leafNode)
            plotMidText((plotTree.xOff, plotTree.yOff), cntrPt, str(key))
    plotTree.yOff = plotTree.yOff + 1.0/plotTree.totalD


def createPlot(inTree):
    fig = plt.figure(1, facecolor='white')
    fig.clf()
    axprops = dict(xticks=[], yticks=[])
    createPlot.ax1 = plt.subplot(111, frameon=False, **axprops)
    #createPlot.ax1 = plt.subplot(111, frameon=False) #ticks for demo puropses
    plotTree.totalW = float(getNumLeafs(inTree))
    plotTree.totalD = float(getTreeDepth(inTree))
    plotTree.xOff = -0.5/plotTree.totalW
    plotTree.yOff = 1.0
    plotTree(inTree, (0.5, 1.0), '')
    plt.show()

结果：

上面画树的最绕的就是计算每个节点的位置，绕来绕去的然后我就晕了~
（1）对于高度，我们希望树能填充整个图像，于是，我们要得到树的深度depth，则可以设置高度的绘制步长为step_h = height/depth。由于绘制顺序是自上而下的（这里的自上而下是一个宏观上的看法，对于每个小的子树的搜寻顺序实际上是：根节点->左子树->根节点->右子树），故每一次递归都要y-step_h，当该次递归结束之后，需要y+step_h，回到递归的起始节点，继续判断递归（这个意思就是，该节点左子树递归，递归完毕回到该节点，开始递归右子树的过程）

（2）对于宽度，我们同样希望树能填充整个图像，于是，我们要得到树的叶子节点数目leafs，则可以设置宽度的绘制步长为step_w = width/leafs。根节点设置在中点位置，即（0.5，1）。接下来，每次递归的子树的根节点将位于其子树的中心位置（也就是该子树所有叶子节点构成宽度的中间）。由于绘制顺序是自左而右的，故我们设置xOff的初始值是-step_w0.5，每次递归都令xOff = xOff + step_w，如此，最左和最右的叶子节点与图边框相差距离为step_w0.5！

有个预测隐形眼镜类型的例子，其实就是换一下数据而已，重在掌握原理~