机器学习实战第三章

决策树

• 说明：本章节所有代码使用版本为Python3

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：数值型和标称型

解释：
  标称型：标称型目标变量的结果只在有限目标集中取值，比如真与假(标称型目标变量主要用于分类)
  数值型（连续型）：数值型目标变量则可以从无限的数值集合中取值

  决策树经常用于解决处理分类问题，它的一个重要任务是为了理解数据中所蕴含的知识信息，因此决策树可以使用不熟悉的数据集并从中提取出一系列规则，这些机器根据数据集创建规则的过程，就是机器学习的过程。专家系统中经常使用决策树，而且决策树给出结果往往可以匹敌人类专家。

决策树的构造

决策树的一般流程

1. 收集数据：可以使用任何方法
2. 准备数据：树构造的算法只适用于标称型数据，因此数值型数据必须离散化
3. 分析数据：可以使用任何方法，构造树完成之后，我们应该检查图形是否符合预期
4. 训练算法：构造树的数据结构
5. 测试算法：使用经验树计算错误率
6. 使用算法：此步骤可以适用于任何监督学习算法，而使用决策树可以更好的理解数据的内在含义

一些决策树算法采用二分法划分数据，而这里使用ID3算法划分数据集，每一次划分数据集时只选取一个特征属性。

1、信息增益

  划分数据集的最大原则：将无序的数据变得有序。组织杂乱无章数据的一种方式就是使用信息论度量信息，量信息是量化处理信息的分支科学。我们可以在划分数据之前或之后使用信息量化度量信息的内容。
  划分数据之前之后信息发生的变化称之为信息增益，知道如何计算信息增益，就可以计算每一个特征值划分数据集获得信息增益，获得信息增益最高的特征就是最好的选择。
  集合信息的度量方式是香农熵或简称熵。熵定义信息的期望值。若待分类的事务可能划分在多个分类之中，则符号x_i的信息定义为：

$$l(x_i)=-lo{g}_{2}p(x_i)$$

  为了计算熵，需要计算所有类别所有可能包含的信息期望，通过下面公式得到：

$$-\sum _{i=1}^{n}p(x_i)lo{g}_{2}p(x_i)$$

  熵越高，混合的数据也就越多。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。

2、划分数据集

  分类算法除了需要测量信息熵，还需要划分数据集，度量划分数据的熵，以便判断当前是否正确的划分了数据集。我们对每一个特征划分数据集的结果计算一次信息熵，然后判断按照哪个特征划分数据集是最好的方式。

3、递归构建决策树

  目前我们已经学习了冲数据集构造决策树所需的子功能模块。其工作原理是：

1. 得到原始数据集
2. 基于最好的属性值划分数据集，由于特征值可能有多于两个，因此可能存在大于两个分支的数据划分
3. 第一次划分后，数据将向下传递到树分支的下一个节点，在这个节点上，我们可以再次划分数据集
4. 最后采用递归的原则处理数据集

  递归结束的条件是：遍历完所有的数据集的属性，或者每个分支下的所有实例都具有相同的分类。若所有实例都具有相同的分类，则得到一个叶子节点或者终止块。任何到达叶子节点的数据必然是属于叶子节点的分类。

from math import log
import operator

# 自己创建简单的数据集
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

# 计算给定数据集的香农熵
def calcShannonEnt(dataSet):
    numEntries = len(dataSet)
    # 获取传来数据集的长度
    labelCounts = {
   }
    for featVec in dataSet:
        currentLabel = featVec[-1]
        # 获取数据每一行数据集的最后一个元素
        if currentLabel not in labelCounts.keys():
            labelCounts[currentLabel] = 0
        # 如果最后一个数据的元素不在labelCounts集合中，则添加进去，值为0
        labelCounts[currentLabel] += 1
        # for循环中是为所有的可能分类创造字典
    shannonEnt = 0.0
    for key in labelCounts:
        prob = float(labelCounts[key])/numEntries
        # labelCounts[key]表示字典中key所对应的value值
        # prob计算出，每一个key所出现的概率
        shannonEnt -= prob*log(prob, 2)
        # 以2为底求对数，根据计算香农熵的公式得出的
    return shannonEnt

# 给定特征划分数据集
def splitDataSet(dataSet, axis, value):
    # dataSet表示待划分的数据集，axis表示划分数据集的特征，value表示需要返回的特征值
    retDataSet = []
    # 创建list对象
    for featVec in dataSet:
        if featVec[axis] == value:
            # 将符合特征的数据抽取出来
            reducedFeatVec = featVec[:axis]
            # 指定特征之前的数据
            reducedFeatVec.extend(featVec[axis+1:])
            # 指定特征之后的数据，extend在已存在的列表中添加新的列表内容
            retDataSet.append(reducedFeatVec)
            # retDataSet相比于reducedFeatVec没有了特征数据
            # 注意extend与append的区别，extend是将每一个元素分别合并到列表中，而append是将一个列表当作一个元素合并到列表中
    return retDataSet
    # 返回符合要求的元素


# 选择最好的数据划分方式
def chooseBestFeatureToSplit(dataSet):
    numFeatures = len(dataSet[0])-1
    # #统计特征数目(最后一个元素不是特征所以要删去)
    baseEntropy = calcShannonEnt(dataSet)
    # 计算原始数据的香农熵
    bestInfoGain =