机器学习---决策树

转载:http://blog.csdn.net/lszdh/article/details/32700007?reload

应为要用到迭代决策树，就先学了决策树。主要参考《机器学习实战》。 一、决策树概念 决策树原理很简单，一个流程图就能明白。 图中构造了一个假想的邮件系统，通过检测域名地址和是否包含单词“曲棍球”来将邮件分类。 决策树也有分类树和回归树的分别。常见的分类数就是id3和c4.5，回归树有cart。 分类树就像上图进行分类，回归树在每个节点都会得一个预测值，以年龄为例，该预测值等于属于这个节点的所有人平均年龄。 接下来以ID3分类数为例，介绍决策树的构造。 关于决策树的原理和c++实现，可以看此博客决策树——从原理到实现，写的很不错。 二、决策树的构造 机器学习实战中有很详细的叙述，伪代码如下： <span style="font-size:14px;">检测数据集中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节点中 return 分支节点</span> 每一次分支都要找出划分数据集最好的特征，ID3中选取最好的特征是根据信息增益来选取的。 对于信息增益，先要明白信息熵的概念，首先熵是由热力学引述来的，在热力学中，熵表示能量分布的均匀程度，能量越混乱，熵越小，而能量总是由无序状态向有序状态转变，这就是熵增。无序状态的能量是能够做功的有效能量，熵增就意味着能量转化为不能做功的无效能量。（扯多了） 在信息论中，信息熵用来度量信息量，信息越有序，熵越小。计算公式如下 通过比较信息增益大小，找出信息增益最大的特征，即按照该特征划分的数据集的信息熵和原数据集的信息熵差值最大。 接下来就可以递归构造决策树了，结束条件：1、程序遍历完所有特征属性。2、每个分支下的所有实例都具有相同分类。 ID3每次划分消耗一个特征，这和C4.5、CART,是不一样的。若分支结束，叶子节点仍有分类不同的，以投票方式选择类别，即选取数目最多的那一类。 三、python实现 <span style="font-size:14px;">from math import log import operator #计算香农熵 def calcShannonEnt(dataSet): numEntries=len(dataSet) labelCounts={} for featVec in dataSet:#为所有分类创建字典 currentLabel=featVec[-1]#the last if currentLabel not in labelCounts.keys(): labelCounts[currentLabel]=0 labelCounts[currentLabel]+=1 shannonEnt=0.0 for key in labelCounts: prob=float(labelCounts[key])/numEntries shannonEnt-=prob*log(prob,2) return shannonEnt #测试样例 def createDataSet(): dataSet=[[1,1,'yes'], [1,1,'yes'], [1,0,'no'], [0,1,'no'], [0,1,'no']] labels=['no surfacin','flippers'] return dataSet,labels #划分数据集 def splitDataSet(dataSet,axis,value): retDataSet=[] for featVec in dataSet: if featVec[axis]==value: reducedFeatVec=featVec[:axis]#0~axis reducedFeatVec.extend(featVec[axis+1:])#注意两个函数区别 retDataSet.append(reducedFeatVec) return retDataSet #选择最好的特征 def chooseBestFeatureToSplit(dataSet): numFeatures=len(dataSet[0])-1#不包括类标签 baseEntropy=calcShannonEnt(dataSet) bestInfoGain=0.0;bestFeature=-1 for i in range(numFeatures): featList=[example[i] for example in dataSet] uniqueVals=set(featList) newEntropy=0.0 for value in uniqueVals:#计算信息熵 subDataSet = splitDataSet(dataSet,i,value) prob = len(subDataSet)/float(len(dataSet)) newEntropy += prob*calcShannonEnt(subDataSet) infoGain=baseEntropy-newEntropy if (infoGain>bestInfoGain):#找到最好的信息增益 bestInfoGain = infoGain bestFeature = i return bestFeature #分支结束若叶子节点分类不唯一，采取投票方式 def majorityCht(classList): classCount={} for vote in classList: if vote not in classCount.key(): classCount[vote]=0 classCount[vote]+=1 sortedClassCount=sorted(classCount.iteritems(), key=operator.itemgetter(1),reverse=True) return sortedClassCount[0][0] #构造树 def createTree(dataSet,labels): classList = [example[-1] for example in dataSet] if classList.count(classList[0])==len(classList): return classList[0] if len(dataSet[0])==1:# no more features return majorityCnt(classList) bestFeat = chooseBestFeatureToSplit(dataSet)#bestFeat is the index of best feature bestFeatLabel = labels[bestFeat] myTree = {bestFeatLabel:{}} del (labels[bestFeat]) featValues = [example[bestFeat] for example in dataSet] uniqueFeatVals = set(featValues) for value in uniqueFeatVals: subLabels=labels[:] myTree[bestFeatLabel][value] = createTree(splitDataSet\ (dataSet,bestFeat,value),subLabels) return myTree</span> 参考文献 [1]. 机器学习实战 [2]. 决策树之ID3算法