数据挖掘分类算法之决策树（zz）

数据挖掘分类算法之决策树（zz）

决策树（Decision tree）

   决策树是以实例为基础的归纳学习算法。

    它从一组无次序、无规则的元组中推理出决策树表示形式的分类规则。它采用自顶向下的递归方式，在决策树的内部结点进行属性值的比较，并根据不同的属性值从 该结点向下分支，叶结点是要学习划分的类。从根到叶结点的一条路径就对应着一条合取规则，整个决策树就对应着一组析取表达式规则。1986年 Quinlan提出了著名的ID3算法。在ID3算法的基础上，1993年Quinlan又提出了C4.5算法。为了适应处理大规模数据集的需要，后来又 提出了若干改进的算法，其中SLIQ(super-vised learning in quest)和SPRINT (scalable parallelizableinduction of decision trees)是比较有代表性的两个算法。
    (1) ID3算法
    ID3算法的核心是：在决策树各级结点上选择属性时，用信息增益（information gain）作为属性的选择标准，以使得在每一个非叶结点进行测试时，能获得关于被测试记录最大的类别信息。其具体方法是：检测所有的属性，选择信息增益最大的属性产生决策树结点，由该属性的不同取值建立分支，再对各分支的子集递归调用该方法建立决策树结点的分支，直到所有子集仅包含同一类别的数据为止。最后得到一棵决策树，它可以用来对新的样本进行分类。
    某属性的信息增益按下列方法计算。通过计算每个属性的信息增益，并比较它们的大小，就不难获得具有最大信息增益的属性。
    设S是s个数据样本的集合。假定类标号属性具有m个不同值，定义m个不同类Ci(i=1,…,m)。设si是类Ci中的样本数。对一个给定的样本分类所需的期望信息由下式给出：
    其中pi=si/s是任意样本属于Ci的概率。注意，对数函数以2为底，其原因是信息用二进制编码。
    设属性A具有v个不同值{a1,a2,……,av}。可以用属性A将S划分为v个子集{S1,S2,……,Sv}，其中Sj中的样本在属性A上具有相同的值aj（j=1,2,……,v）。设sij是子集Sj中类Ci的样本数。由A划分成子集的熵或信息期望由下式给出：
    熵值越小，子集划分的纯度越高。对于给定的子集Sj，其信息期望为
    其中pij=sij/sj 是Sj中样本属于Ci的概率。在属性A上分枝将获得的信息增益是
    Gain(A)= I(s1, s2, …,sm)-E(A)
    ID3算法的优点是：算法的理论清晰，方法简单，学习能力较强。其缺点是：只对比较小的数据集有效，且对噪声比较敏感，当训练数据集加大时，决策树可能会随之改变。
    (2) C4.5算法
    C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进：
    1) 用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足；
    2) 在树构造过程中进行剪枝；
    3) 能够完成对连续属性的离散化处理；
    4) 能够对不完整数据进行处理。
    C4.5算法与其它分类算法如统计方法、神经网络等比较起来有如下优点：产生的分类规则易于理解，准确率较高。其缺点是：在构造树的过程中，需要对数据集 进行多次的顺序扫描和排序，因而导致算法的低效。此外，C4.5只适合于能够驻留于内存的数据集，当训练集大得无法在内存容纳时程序无法运行。
    (3) SLIQ算法
    SLIQ算法对C4.5决策树分类算法的实现方法进行了改进，在决策树的构造过程中采用了“预排序”和“广度优先策略”两种技术。
    1)预排序。对于连续属性在每个内部结点寻找其最优分裂标准时，都需要对训练集按照该属性的取值进行排序，而排序是很浪费时间的操作。为此，SLIQ算法 采用了预排序技术。所谓预排序，就是针对每个属性的取值，把所有的记录按照从小到大的顺序进行排序，以消除在决策树的每个结点对数据集进行的排序。具体实 现时，需要为训练数据集的每个属性创建一个属性列表，为类别属性创建一个类别列表。
    2)广度优先策略。在C4.5算法中，树的构造是按照深度优先策略完成的，需要对每个属性列表在每个结点处都进行一遍扫描，费时很多，为此，SLIQ采用 广度优先策略构造决策树，即在决策树的每一层只需对每个属性列表扫描一次，就可以为当前决策树中每个叶子结点找到最优分裂标准。
    SLIQ算法由于采用了上述两种技术，使得该算法能够处理比C4.5大得多的训练集，在一定范围内具有良好的随记录个数和属性个数增长的可伸缩性。
    然而它仍然存在如下缺点：
    1)由于需要将类别列表存放于内存,而类别列表的元组数与训练集的元组数是相同的,这就一定程度上限制了可以处理的数据集的大小。
    2)由于采用了预排序技术，而排序算法的复杂度本身并不是与记录个数成线性关系，因此，使得SLIQ算法不可能达到随记录数目增长的线性可伸缩性。

    (4)SPRINT算法
    为了减少驻留于内存的数据量，SPRINT算法进一步改进了决策树算法的数据结构，去掉了在SLIQ中需要驻留于内存的类别列表，将它的类别列合并到每个 属性列表中。这样，在遍历每个属性列表寻找当前结点的最优分裂标准时，不必参照其他信息，将对结点的分裂表现在对属性列表的分裂，即将每个属性列表分成两 个，分别存放属于各个结点的记录。
    SPRINT算法的优点是在寻找每个结点的最优分裂标准时变得更简单。其缺点是对非分裂属性的属性列表进行分裂变得很困难。解决的办法是对分裂属性进行分 裂时用哈希表记录下每个记录属于哪个孩子结点，若内存能够容纳下整个哈希表，其他属性列表的分裂只需参照该哈希表即可。由于哈希表的大小与训练集的大小成 正比，当训练集很大时，哈希表可能无法在内存容纳，此时分裂只能分批执行，这使得SPRINT算法的可伸缩性仍然不是很好。

 

C4.5算法

一．背景

最早的决策时算法是由Hunt等人于1966年提出的CLS。当前最有影响的决策树算法是Quinlan于1986年提出的ID3和1993年提出的C4.5。ID3只能处理离散型描述属性，它选择信息增益最大的属性划分训练样本，其目的是进行分枝时系统的熵最小，从而提高算法的运算速度和精确度。ID3算法的主要缺陷是，用信息增益作为选择分枝属性的标准时，偏向于取值较多的属性，而在某些情况下，这类属性可能不会提供太多有价值的信息。C4.5是ID3算法的改进算法，不仅可以处理离散型描述属性，还能处理连续性描述属性。C4.5采用了信息增益比作为选择分枝属性的标准，弥补了ID3算法的不足。

决策树算法的优点如下：（1）分类精度高；（2）成的模式简单；（3）对噪声数据有很好的健壮性。因而是目前应用最为广泛的归纳推理算法之一，在数据挖掘中受到研究者的广泛关注。

二．C4.5改进的具体方面

1.ID3算法存在的缺点

（1）ID3算法在选择根节点和各内部节点中的分支属性时，采用信息增益作为评价标准。信息增益的缺点是倾向于选择取值较多的属性，在有些情况下这类属性可能不会提供太多有价值的信息。

（2）ID3算法只能对描述属性为离散型属性的数据集构造决策树。

2． C4.5算法做出的改进

(1)用信息增益率来选择属性

克服了用信息增益来选择属性时偏向选择值多的属性的不足。信息增益率定义为：

 

其中Gain(S,A)与ID3算法中的信息增益相同，而分裂信息SplitInfo(S,A)代表了按照属性A分裂样本集S的广度和均匀性。

 

其中，S₁到Sc是c个不同值的属性A分割S而形成的c个样本子集。

如按照属性A把S集（含30个用例）分成了10个用例和20个用例两个集合

则SplitInfo(S,A)=-1/3*log(1/3)-2/3*log(2/3)

(2)可以处理连续数值型属性

C4.5既可以处理离散型描述属性，也可以处理连续性描述属性。在选择某节点上的分枝属性时，对于离散型描述属性，C4.5的处理方法与ID3相同，按照该属性本身的取值个数进行计算；对于某个连续性描述属性Ac，假设在某个结点上的数据集的样本数量为total，C4.5将作以下处理。

l  将该结点上的所有数据样本按照连续型描述属性的具体数值，由小到大进行排序，得到属性值的取值序列{A1c，A2c，……Atotalc}。

l  在取值序列中生成total-1个分割点。第i（0<i<total）个分割点的取值设置为Vi=（Aic+A（i+1）c）/2,它可以将该节点上的数据集划分为两个子集。

l  从total-1个分割点中选择最佳分割点。对于每一个分割点划分数据集的方式，C4.5计算它的信息增益比，并且从中选择信息增益比最大的分割点来划分数据集。

(3)采用了一种后剪枝方法

避免树的高度无节制的增长，避免过度拟合数据，

该方法使用训练样本集本身来估计剪枝前后的误差，从而决定是否真正剪枝。方法中使用的公式如下：

 

其中N是实例的数量，f=E/N为观察到的误差率（其中E为N个实例中分类错误的个数），q为真实的误差率，c为置信度（C4.5算法的一个输入参数，默认值为0.25），z为对应于置信度c的标准差，其值可根据c的设定值通过查正态分布表得到。通过该公式即可计算出真实误差率q的一个置信度上限，用此上限为该节点误差率e做一个悲观的估计：

 

通过判断剪枝前后e的大小，从而决定是否需要剪枝。

(4)对于缺失值的处理

在某些情况下，可供使用的数据可能缺少某些属性的值。假如〈x，c(x)〉是样本集S中的一个训练实例，但是其属性A的值A(x)未知。处理缺少属性值的一种策略是赋给它结点n所对应的训练实例中该属性的最常见值；另外一种更复杂的策略是为A的每个可能值赋予一个概率。例如，给定一个布尔属性A，如果结点n包含6个已知A=1和4个A=0的实例，那么A(x)=1的概率是0.6，而A(x)=0的概率是0.4。于是，实例x的60%被分配到A=1的分支，40%被分配到另一个分支。这些片断样例（fractional examples）的目的是计算信息增益，另外，如果有第二个缺少值的属性必须被测试，这些样例可以在后继的树分支中被进一步细分。C4.5就是使用这种方法处理缺少的属性值。

3. 　C4.5算法的优缺点

优点：产生的分类规则易于理解，准确率较高。

缺点：在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。此外，C4.5只适合于能够驻留于内存的数据集，当训练集大得无法在内存容纳时程序无法运行。

三．C4.5算法源代码（C++）

// C4.5_test.cpp : Defines the entry point for the console application. // #include "stdafx.h" #include <stdio.h> #include <math.h> #include "malloc.h" #include <stdlib.h> const  int  MAX = 10; int ** iInput; int  i = 0; //列数 int  j = 0; //行数 void  build_tree( FILE  *fp, int * iSamples, int * iAttribute, int  ilevel); //输出规则 int  choose_attribute( int * iSamples, int * iAttribute); //通过计算信息增益率选出test_attribute double  info( double  dTrue, double  dFalse); //计算期望信息 double  entropy( double  dTrue, double  dFalse, double  dAll); //求熵 double  splitinfo( int * list, double  dAll); int  check_samples( int  *iSamples); //检查samples是否都在同一个类里 int  check_ordinary( int  *iSamples); //检查最普通的类 int  check_attribute_null( int  *iAttribute); //检查attribute是否为空 void  get_attributes( int  *iSamples, int  *iAttributeValue, int  iAttribute); int  _tmain( int  argc, _TCHAR* argv[]) {   FILE  *fp;   FILE  *fp1;   char  iGet;   int  a = 0;   int  b = 0; //a,b是循环变量   int * iSamples;   int * iAttribute;   fp = fopen ( "c:\\input.txt" , "r" );   if  (NULL == fp)   {    printf ( "error\n" );    return  0;   }   iGet = getc (fp);      while  (( '\n'  != iGet)&&(EOF != iGet))   {    if  ( ','  == iGet)    {     i++;    }    iGet = getc (fp);   }   i++;      iAttribute = ( int  *) malloc ( sizeof ( int )*i);   for  ( int  k = 0; k<i; k++)   {    iAttribute[k] = ( int ) malloc ( sizeof ( int ));    iAttribute[k] = 1;   }   while  (EOF != iGet)   {    if  ( '\n'  == iGet)    {     j++;    }    iGet = getc (fp);   }   j++;      iInput = ( int  **) malloc ( sizeof ( int *)*j);   iSamples = ( int  *) malloc ( sizeof ( int )*j);   for  (a = 0;a < j;a++)   {    iInput[a] = ( int  *) malloc ( sizeof ( int )*i);    iSamples[a] = ( int ) malloc ( sizeof ( int ));    iSamples[a] = a;   }   a = 0;   fclose (fp);   fp= fopen ( "c:\\input.txt" , "r" );   iGet = getc (fp);   while (EOF != iGet)   {    if  (( ','  != iGet)&&( '\n'  != iGet))    {     iInput[a][b] = iGet - 48;     b++;    }    if  (b == i)    {     a++;     b = 0;    }    iGet = getc (fp);   }      fp1 = fopen ( "d:\\output.txt" , "w" );   build_tree(fp1,iSamples,iAttribute,0);   fclose (fp);   return  0; }   void  build_tree( FILE  * fp, int * iSamples, int * iAttribute, int  level) // {   int  iTest_Attribute = 0;   int  iAttributeValue[MAX];   int  k = 0;   int  l = 0;   int  m = 0;   int  *iSamples1;   for  (k = 0; k<MAX; k++)   {    iAttributeValue[k] = -1;   }   if  (0 == check_samples(iSamples))   {    fprintf (fp, "result: %d\n" ,iInput[iSamples[0]][i-1]);    return ;   }   if  (1 == check_attribute_null(iAttribute))   {    fprintf (fp, "result: %d\n" ,check_ordinary(iSamples));    return ;   }   iTest_Attribute = choose_attribute(iSamples,iAttribute);   iAttribute[iTest_Attribute] = -1;   get_attributes(iSamples,iAttributeValue,iTest_Attribute);   k = 0;   while  ((-1 != iAttributeValue[k])&&(k < MAX))   {    l = 0;    m = 0;    while  ((-1 != iSamples[l])&&(l < j))    {     if  (iInput[iSamples[l]][iTest_Attribute] == iAttributeValue[k])     {      m++;     }     l++;    }    iSamples1 = ( int  *) malloc ( sizeof ( int )*(m+1));    l = 0;    m = 0;    while  ((-1 != iSamples[l])&&(l < j))    {     if  (iInput[iSamples[l]][iTest_Attribute] == iAttributeValue[k])     {      iSamples1[m] = iSamples[l];      m++;     }     l++;    }    iSamples1[m] = -1;    if  (-1 == iSamples1[0])    {     fprintf (fp, "result: %d\n" ,check_ordinary(iSamples));     return ;    }    fprintf (fp, "level%d: %d = %d\n" ,level,iTest_Attribute,iAttributeValue[k]);    build_tree(fp,iSamples1,iAttribute,level+1);    k++;   } } int  choose_attribute( int * iSamples, int * iAttribute) {   int  iTestAttribute = -1;   int  k = 0;   int  l = 0;   int  m = 0;   int  n = 0;   int  iTrue = 0;   int  iFalse = 0;   int  iTrue1 = 0;   int  iFalse1 = 0;   int  iDepart[MAX];   int  iRecord[MAX];   double  dEntropy = 0.0;   double  dGainratio = 0.0;   double  test = 0.0;      for  (k = 0;k<MAX;k++)   {    iDepart[k] = -1;    iRecord[k] = 0;   }   k = 0;   while  ((l!=2)&&(k<(i - 1)))   {    if  (iAttribute[k] == -1)    {     l++;    }    k++;   }   if  (l == 1)   {    for  (k = 0;k<(k-1);k++)    {     if  (iAttribute[k] == -1)     {      return  iAttribute[k];     }    }   }   for  (k = 0;k < (i-1);k++)   {    l = 0;    iTrue = 0;    iFalse = 0;    if  (iAttribute[k] != -1)    {     while  ((-1 != iSamples[l])&&(l < j))     {      if  (0 == iInput[iSamples[l]][i-1])      {       iFalse++;      }      if  (1 == iInput[iSamples[l]][i-1])      {       iTrue++;      }      l++;        }     for  (n = 0;n<l;n++) //计算该属性有多少不同的值并记录     {      m = 0;      while ((iDepart[m]!=-1)&&(m!=MAX))      {       if  (iInput[iSamples[n]][iAttribute[k]] == iDepart[m])       {        break ;       }       m++;      }      if  (-1 == iDepart[m])      {       iDepart[m] = iInput[iSamples[n]][iAttribute[k]];      }     }     while  ((iDepart[m] != -1)&&(m!=MAX))     {      for  (n = 0;n<l;n++)      {       if  (iInput[iSamples[n]][iAttribute[k]] == iDepart[m])       {        if  (1 == iInput[iSamples[n]][i-1])        {         iTrue1++;        }        if  (0 == iInput[iSamples[n]][i-1])        {         iFalse1++;        }        iRecord[m]++;       }      }            dEntropy += entropy(( double )iTrue1,( double )iFalse1,( double )l);      iTrue1 = 0;      iFalse1 = 0;      m++;     }     double  dSplitinfo = splitinfo(iRecord,( double )l);     if  (-1 == iTestAttribute)     {      iTestAttribute = k;      dGainratio = (info(( double )iTrue,( double )iFalse)-dEntropy)/dSplitinfo;     }     else     {      test = (info(( double )iTrue,( double )iFalse)-dEntropy)/dSplitinfo;      if  (dGainratio < test)      {       iTestAttribute = k;       dGainratio = test;      }     }    }   }   return  iTestAttribute; } double  info( double  dTrue, double  dFalse) {   double  dInfo = 0.0;   dInfo = ((dTrue/(dTrue+dFalse))*( log (dTrue/(dTrue+dFalse))/ log (2.0))+(dFalse/(dTrue+dFalse))*( log (dFalse/(dTrue+dFalse))/ log (2.0)))*(-1);   return  dInfo; } double  entropy( double  dTrue, double  dFalse, double  dAll) {   double  dEntropy = 0.0;   dEntropy = (dTrue + dFalse)*info(dTrue,dFalse)/dAll;   return  dEntropy; } double  splitinfo( int * list, double  dAll) {   int  k = 0;   double  dSplitinfo = 0.0;   while  (0!=list[k])   {    dSplitinfo -= (( double )list[k]/( double )dAll)*( log (( double )list[k]/( double )dAll));    k++;   }   return  dSplitinfo; } int  check_samples( int  *iSamples) {   int  k = 0;   int  b = 0;   while  ((-1 != iSamples[k])&&(k < j-1))   {    if  (iInput[k][i-1] != iInput[k+1][i-1])    {     b = 1;     break ;    }    k++;   }   return  b; } int  check_ordinary( int  *iSamples) {   int  k = 0;   int  iTrue = 0;   int  iFalse = 0;   while  ((-1 != iSamples[k])&&(k < i))   {    if  (0 == iInput[iSamples[k]][i-1])    {     iFalse++;    }    else    {     iTrue++;    }    k++;   }   if  (iTrue >= iFalse)   {    return  1;   }   else   {    return  0;   } } int  check_attribute_null( int  *iAttribute) {   int  k = 0;   while  (k < (i-1))   {    if  (-1 != iAttribute[k])    {     return  0;    }    k++;   }   return  1; } void  get_attributes( int  *iSamples, int  *iAttributeValue, int  iAttribute) {   int  k = 0;   int  l = 0;   while  ((-1 != iSamples[k])&&(k < j))   {    l = 0;    while  (-1 != iAttributeValue[l])    {     if  (iInput[iSamples[k]][iAttribute] == iAttributeValue[l])     {      break ;     }     l++;    }    if  (-1 == iAttributeValue[l])    {     iAttributeValue[l] = iInput[iSamples[k]][iAttribute];    }    k++;   } }