机器学习实战(二):决策树
一、决策树概述
1、决策树做预测需要以下过程:
- 收集数据:比如想构建一个相亲系统,我们可以从媒婆那里,或者通过采访相亲对象获取数据。根据他们考虑的因素和最终的选择结果,就可以得到一些供我们利用的数据了。
- 准备数据:收集完的数据,我们要进行整理,将这些所有收集的信息按照一定规则整理出来,并排版,方便我们进行后续处理。
- 分析数据:可以使用任何方法,决策树构造完成之后,我们可以检查决策树图形是否符合预期。
- 训练算法:这个过程也就是构造决策树,同样也可以说是决策树学习,就是构造一个决策树的数据结构。
- 测试算法:**使用经验树计算错误率。**当错误率达到了可接收范围,这个决策树就可以投放使用了。
- 使用算法:此步骤可以使用适用于任何监督学习算法,而使用决策树可以更好地理解数据的内在含义。
二、决策树实战
构建决策树:
过程概括为3个步骤:特征选择、决策树的生成和决策树的修剪。
1、特征选择
选取对训练数据具有分类能力的特征,通常特征选择的标准是信息增益(information gain)或信息增益比,看一组实例,贷款申请样本数据表
通过所给的训练数据学习一个贷款申请的决策树,用于对未来的贷款申请进行分类,即当新的客户提出贷款申请时,根据申请人的特征利用决策树决定是否批准贷款申请
具体选择哪个特征,应分别计算其信息增益,信息增益最高的特征就是最好的选择,在划分数据集之后信息发生的变化称为信息增益,先看以下几个公式:
(1)香农熵
集合信息的度量方式称为香农熵或者简称为熵(entropy),这个名字来源于信息论之父克劳德·香农。熵定义为信息的期望值。在信息论与概率统计中,熵是表示随机变量不确定性的度量
# 1.编写代码计算经验熵
对数据集进行属性标注:
年龄:0代表青年,1代表中年,2代表老年;
有工作:0代表否,1代表是;
有自己的房子:0代表否,1代表是;
信贷情况:0代表一般,1代表好,2代表非常好;
类别(是否给贷款):no代表否,yes代表是。
(2)信息增益
信息增益是相对于特征而言的,信息增益越大,特征对最终的分类结果影响也就越大,我们就应该选择对最终分类结果影响最大的那个特征作为我们的分类特征。
条件熵: 条件熵H(Y|X)表示在已知随机变量X的条件下随机变量Y的不确定性,随机变量X给定的条件下随机变量Y的条件熵(conditional entropy)H(Y|X),定义为X给定条件下Y的条件概率分布的熵对X的数学期望:
信息增益:熵H(D)与条件熵H(D|A)之差
# 2.编写代码计算信息增益
2、决策树的生成
工作原理
1)得到原始数据集
2)基于最好的属性值划分数据集
由于特征值可能多于两个,因此可能存在大于两个分支的数据集划分。第一次划分之后,数据集被向下传递到树的分支的下一个结点。在这个结点上,我们可以再次划分数据。因此我们可以采用递归的原则处理数据集。
构建决策树的算法有很多,比如C4.5、ID3和CART,但在此使用的是ID3算法构件决策树
ID3算法
核心: 在决策树各个结点上对应信息增益准则选择特征,递归地构建决策树。
具体方法: 从根结点(root node)开始,对结点计算所有可能的特征的信息增益,选择信息增益最大的特征作为结点的特征,由该特征的不同取值建立子节点;再对子结点递归地调用以上方法,构建决策树;直到所有特征的信息增益均很小或没有特征可以选择为止。最后得到一个决策树。ID3相当于用极大似然法进行概率模型的选择。
由上面计算的信息增益值可知:第二个特征 是否有自己的房子 信息增益最大,因此将训练集划分为两个子集,有自己的房子和没有自己的房子,然后分别对子集按照上面的方法进行划分,生成一个决策树如下:
# 3.编写代码构件决策树
递归创建决策树时,递归有两个终止条件:
- 1、所有的类标签完全相同,则直接返回该类标签;
- 2、使用完了所有特征,仍然不能将数据划分仅包含唯一类别的分组,即决策树构建失败,出现数量最多的类别作为返回值。
3、决策树的可视化
Matplotlib可视化需要用到的函数:
getNumLeafs:获取决策树叶子结点的数目
getTreeDepth:获取决策树的层数
plotNode:绘制结点
plotMidText:标注有向边属性值
plotTree:绘制决策树
createPlot:创建绘制面板
# 4.编写代码可视化决策树
4、使用决策树进行分类、
依靠训练数据构造了决策树之后,我们可以将它用于实际数据的分类。在执行数据分类时,需要决策树以及用于构造树的标签向量。然后,程序比较测试数据与决策树上的数值,递归执行该过程直到进入叶子结点;最后将测试数据定义为叶子结点所属的类型。
# 5.编写代码 用决策树分类
输入测试数据[0,1],它代表没有房子,但是有工作
5、决策树的存储
存储后能够在每次执行分类时调用已经构造好的决策树,需要使用Python模块pickle序列化对象。序列化对象可以在磁盘上保存对象,并在需要的时候读取出来。
# 6.编写代码 存储决策树
假设我们已经得到决策树{‘有自己的房子’: {0: {‘有工作’: {0: ‘no’, 1: ‘yes’}}, 1: ‘yes’}},使用pickle.dump存储决策树。在该Python文件的相同目录下,会生成一个名为classifierStorage.txt的txt文件,这个文件二进制存储着我们的决策树
# 7.编写代码 读取决策树
顺利加载了存储决策树的二进制文件
代码汇总
from matplotlib.font_manager import FontProperties
import matplotlib.pyplot as plt
from math import log
import operator
import pickle
"""
函数说明:计算给定数据集的经验熵(香农熵)
Parameters:
dataSet - 数据集
Returns:
shannonEnt - 检验熵(香农熵)
"""
def calcShannonEnt(dataSet):
# 返回数据集的行数,即总标签数
numEntires = len(dataSet)
# 保存每个标签(Label)出现次数的字典
labelCounts = {}
# 对每组特征向量进行统计
for featVec in dataSet:
# 提取标签(Label)信息
currentLabel = featVec[-1]
# 如果标签(Label)没有放入统计次数的字典,添加进去
if currentLabel not in labelCounts.keys():
labelCounts[currentLabel] = 0
labelCounts[currentLabel] += 1
# 计算香农熵
shannonEnt = 0.0
for key in labelCounts:
# 选择该标签的概率
prob = float(labelCounts[key] / numEntires)
# 利用公式计算
shannonEnt -= prob * log(prob, 2)
return shannonEnt
"""
函数说明:创建测试数据集
Returns:
dataSet - 数据集
labels - 特征标签
"""
def createDataSet():
# 数据集
dataSet = [[0, 0, 0, 0, 'no'],
[0, 0, 0, 1, 'no'],
[0, 1, 0, 1, 'yes'],
[0, 1, 1, 0, 'yes'],
[0, 0, 0, 0, 'no'],
[1, 0, 0, 0, 'no'],
[1, 0, 0, 1, 'no'],
[1, 1, 1, 1, 'yes'],
[1, 0, 1, 2, 'yes'],
[1, 0, 1, 2, 'yes'],
[2, 0, 1, 2, 'yes'],
[2, 0, 1, 1, 'yes'],
[2, 1, 0, 1, 'yes'],
[2, 1, 0, 2, 'yes'],
[2, 0, 0, 0, 'no']]
# 特征标签
labels = ['年龄', '工作', '有自己的房子', '信贷情况']
return dataSet, labels
# 数据集
# dataSet = [[0, 0, 0, 0, 'no'],
# [0, 0, 0, 1, 'no'],
# [0, 1, 0, 1, 'yes'],
# [0, 1, 1, 0, 'yes'],
# [0, 0, 0, 0, 'no'],
# [1, 0, 0, 0, 'no'],
# [1, 0, 0, 1, 'no'],
# [1, 1, 1, 1, 'yes'],
# [1, 0, 1, 2, 'yes'],
# [1, 0, 1, 2, 'yes'],
# [2, 0, 1, 2, 'yes'],
# [2, 0, 1, 1, 'yes'],
# [2, 1, 0, 1, 'yes'],
# [2, 1, 0, 2, 'yes'],
# [2, 0, 0, 0, 'no']]
# labels = ['不放贷', '放贷'] # 分类属性
# return dataSet, labels # 返回数据集和分类属性
"""
函数说明:按照给定特征划分数据集
Parameters:
dataSet - 待划分的数据集
axis - 划分数据集的特征
value- 需要返回的特征的值
Returns:
retDataSet - 划分后的数据集
"""
def splitDataSet(dataSet, axis, value):
# 返回的划分后的数据集
retDataSet = []
# 遍历数据集
for featVec in dataSet:
if featVec[axis] == value:
reducedFeatVec = featVec[:axis] # 去掉axis特征
reducedFeatVec.extend(featVec[axis+1:]) # 将符合条件的添加到返回的数据集
retDataSet.append(reducedFeatVec)
# 返回划分后的数据集
return retDataSet
"""
函数说明:选择最优特征
Parameters:
dataSet- 数据集
Returns:
bestFeature - 信息增益最大的特征索引值
"""
def chooseBestFeatureToSplit(dataSet):
# 特征数量
numFeatures = len(dataSet[0]) - 1
# 计算数据集的香农熵
baseEntropy = calcShannonEnt(dataSet)
# 信息增益
bestInfoGain = 0.0
# 最优特征的索引值
bestFeature = - 1
# 遍历所有特征
for i in range(numFeatures):
# 获取dataSet的第i个所有特征
featList = [example[i] for example in dataSet]
# 创建set集合,元素不可重复
uniqueVals = set(featList)
# 经验条件熵
newEntropy = 0.0
for value in uniqueVals:
# 划分后的子集
subDataSet = splitDataSet(dataSet, i, value)
# 计算子集概率
prob = len(subDataSet) / float(len(dataSet))
# 根据公式计算经验条件熵
newEntropy += prob * calcShannonEnt(subDataSet)
# 信息增益
infoGain = baseEntropy - newEntropy
# print("第%d个特征的增益为%.3f" % (i, infoGain))
# 更新信息增益,找到最大增益
if(infoGain > bestInfoGain):
bestInfoGain = infoGain
bestFeature = i
# 返回最大信息增益索引值
return bestFeature
"""
函数说明:统计classList中出现此处最多的元素(类标签)
Parameters:
classList - 类标签
Returns:
sortedClassCount[0][0] - 出现次数最多的类标签
"""
def majorityCnt(classList):
# 统计classList中每个元素出现的次数
classCount = {}
for vote in classList:
if vote not in classCount.keys():
classCount[vote] = 0
classCount[vote] += 1
# 根据字典的值降值排序
sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
return sortedClassCount[0][0]
"""
函数说明:创建决策树
Parameters:
dataSet - 训练数据集
labels - 分类标签属性
featLabels - 存储选择的最优特征属性
Returns:
myTree - 决策树
"""
def createTree(dataSet, labels, featLabels):
# 取分类标签
classList = [example[-1] for example in dataSet]
# 1.如果类别完全相同,则停止划分
if classList.count(classList[0]) == len(classList):
return classList[0]
# 2.遍历完所有特征时,返回出现次数最多的类标签
if len(dataSet[0]) == 1 or len(labels) == 0:
return majorityCnt(classList)
# 选择最优特征
bestFeat = chooseBestFeatureToSplit(dataSet)
# 最优特征标签
bestFeatLabel = labels[bestFeat]
featLabels.append(bestFeatLabel)
# 根据最优特征的标签生成树
myTree = {bestFeatLabel: {}}
# 删除已经使用特征标签
del(labels[bestFeat])
# 得到训练集中所有最优特征的属性值
featValues = [example[bestFeat] for example in dataSet]
# 去掉重复的属性值
uniqueVals = set(featValues)
# 遍历所有特征,创建决策树
for value in uniqueVals:
myTree[bestFeatLabel][value] = createTree(splitDataSet
(dataSet, bestFeat, value), labels, featLabels)
return myTree
"""
函数说明:获取决策树叶子节点的数目
Parameters:
myTree - 决策树
Returns:
numLeafs - 决策树叶子结点数目
"""
def getNumLeafs(myTree):
# 初始化叶子
numLeafs = 0
# myTree.keys()返回的是dict_keys,不在是list,所以不能使用myTree.keys()[0]
# 的方法获取结点属性,可以使用list(myTree.keys())[0]
firstStr = next(iter(myTree))
secondDict = myTree[firstStr]
for key in secondDict.keys():
# 测试该结点是否为字典,如果不是字典,代表此结点为叶子结点
if type(secondDict[key]).__name__ == 'dict':
numLeafs += getNumLeafs(secondDict[key])
else:
numLeafs += 1
return numLeafs
"""
函数说明:获取决策树的层数
Parameters:
myTree - 决策树
Returns:
maxDepth - 决策树的层数
"""
def getTreeDepth(myTree):
# 初始化决策树深度
maxDepth = 0
firstStr = next(iter(myTree))
secondDic = myTree[firstStr]
for key in secondDic.keys():
if type(secondDic[key]).__name__ == 'dict':
thisDepth = 1 + getTreeDepth(secondDic[key])
else:
thisDepth = 1
# 更新层数
if thisDepth > maxDepth:
maxDepth = thisDepth
return maxDepth
"""
函数说明:绘制结点
Parameters:
nodeTxt - 结点名
centerPt - 文本位置
parentPt - 标注的箭头位置
nodeType - 节点格式
"""
def plotNode(nodeTxt, centerPt, parentPt, nodeType):
arrow_args = dict(arrowstyle="<-") # 定义箭头格式
font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=14) # 设置中文字体
createPlot.ax1.annotate(nodeTxt, xy=parentPt, xycoords='axes fraction', # 绘制结点
xytext=centerPt, textcoords='axes fraction',
va="center", ha="center", bbox=nodeType, arrowprops=arrow_args, FontProperties=font)
"""
函数说明:标注有向边属性
Parameters:
cntrPt parentPt - 用于计算标注位置
txtString - 标注内容
"""
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)
"""
函数说明:绘制决策树
Paremeters:
myTree - 决策树(字典)
parentPt - 标注的内容
nodeTxt - 结点名
"""
def plotTree(myTree, parentPt, nodeTxt):
decisionNode = dict(boxstyle="sawtooth", fc="0.8") #设置结点格式
leafNode = dict(boxstyle="round4", fc="0.8") #设置叶结点格式
numLeafs = getNumLeafs(myTree) #获取决策树叶结点数目,决定了树的宽度
depth = getTreeDepth(myTree) #获取决策树层数
firstStr = next(iter(myTree)) #下个字典
cntrPt = (plotTree.xOff + (1.0 + float(numLeafs))/2.0/plotTree.totalW, plotTree.yOff) #中心位置
plotMidText(cntrPt, parentPt, nodeTxt) #标注有向边属性值
plotNode(firstStr, cntrPt, parentPt, decisionNode) #绘制结点
secondDict = myTree[firstStr] #下一个字典,也就是继续绘制子结点
plotTree.yOff = plotTree.yOff - 1.0/plotTree.totalD #y偏移
for key in secondDict.keys():
if type(secondDict[key]).__name__=='dict': #测试该结点是否为字典,如果不是字典,代表此结点为叶子结点
plotTree(secondDict[key],cntrPt,str(key)) #不是叶结点,递归调用继续绘制
else: #如果是叶结点,绘制叶结点,并标注有向边属性值
plotTree.xOff = plotTree.xOff + 1.0/plotTree.totalW
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
"""
函数说明:创建绘制面板
Parameters: inTree - 决策树(字典)
"""
def createPlot(inTree):
fig = plt.figure(1, facecolor='white') #创建fig
fig.clf() #清空fig
axprops = dict(xticks=[], yticks=[])
createPlot.ax1 = plt.subplot(111, frameon=False, **axprops) #去掉x、y轴
plotTree.totalW = float(getNumLeafs(inTree)) #获取决策树叶结点数目
plotTree.totalD = float(getTreeDepth(inTree)) #获取决策树层数
plotTree.xOff = -0.5/plotTree.totalW; plotTree.yOff = 1.0 #x偏移
plotTree(inTree, (0.5, 1.0), '') #绘制决策树
plt.show()
"""
函数说明:使用决策树分类
Paraneters:
inputTree - 已经生成的决策树
featLabels - 存储选择的最优特征标签
testVec - 测试数据列表,顺序对应最有特征标签
Returns:
classLabel - 分类结果
"""
def classify(inputTree, featLabels, testVec):
# 获取决策树结点
firstStr = next(iter(inputTree))
# 下一个字典
secondDict = inputTree[firstStr]
# 获取结点的标签索引值
featIndex = featLabels.index(firstStr)
for key in secondDict.keys():
if testVec[featIndex] == key:
if type(secondDict[key]).__name__ == 'dict':
classLabel = classify(secondDict[key], featLabels, testVec)
else:
classLabel = secondDict[key]
return classLabel
"""
函数说明:存储决策树
Parameters:
inputTree - 已经生成的决策树
filename - 决策树的存储文件名
"""
def storeTree(inputTree, filename):
with open(filename, 'wb') as fw:
pickle.dump(inputTree, fw)
"""
函数说明:读取决策树
Parameters:
fileName - 决策树的存储文件名
Returns:
pickle.load(fr) - 决策树字典
"""
def grabTree(fileName):
fr = open(fileName, 'rb')
return pickle.load(fr)
if __name__ == '__main__':
# 1.创建数据集,计算经验熵
# dataSet, features = createDataSet()
# print(dataSet)
# print("经验熵:", calcShannonEnt(dataSet))
# 2.计算信息增益
# dataSet, features = createDataSet()
# print("最优特征索引值:" + str(chooseBestFeatureToSplit(dataSet)))
# 3.创建决策树
# dataSet, labels = createDataSet()
# featLabels = []
# myTree = createTree(dataSet, labels, featLabels)
# print(myTree)
# 4.可视化决策树
# dataSet, labels = createDataSet()
# featLabels = []
# myTree = createTree(dataSet, labels, featLabels)
# print(myTree)
# createPlot(myTree)
# 5.使用决策树分类
# dataSet, labels = createDataSet()
# featLabels = []
# myTree = createTree(dataSet, labels, featLabels)
# testVec = [0, 1]
# result = classify(myTree, featLabels, testVec)
# if result == 'yes':
# print("放贷")
# if result == 'no':
# print("不放贷")
# 6.存储决策树
# myTree = {'有自己的房子': {0: {'有工作': {0: 'no', 1: 'yes'}}, 1: 'yes'}}
# storeTree(myTree, 'classifierStorage.txt')
# 7.读取决策树
myTree = grabTree('classifierStorage.txt')
print(myTree)