k-近邻算法,可以完成很多分类任务。但最大的缺点就是,无法给出数据的内在含义。
决策树的主要优势在于,数据形式非常容易理解。
决策树的一个重要任务,使用不熟悉的数据集合,并从中提取出一系列规则,在这些机器根据,数据集创建规则时,就是机器学习的过程。
优点:计算复杂度低,输出结果易于理解,对中间值的缺失不敏感,可处理不相关特征数据。
缺点:可能会产生过度匹配问题。
适用于,数值型和标称型。
在构建决策树时,需要考虑的第一个问题是,当前数据集上,哪个特征在划分数据分类时,起决定性作用。
因此需要评估每个特征。
完成测试后,数据集会被划分为几个数据子集,这些子集分布在决策树,第一个决策点的所有分支上。
若某个分支上的数据属于同一类型,则无需进一步分割。
决策树的一般流程:
准备数据(树构造算法的数值型数据,必须要离散化)、测试算法(使用经验树计算错误率)
采用量化的方法,判断如何划分数据:信息增益
信息增益:在划分数据集之前之后,信息发生的变化。
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,称为香农熵。计算方式:信息的期望值
计算给定数据集的香农熵:
def calcShannonEnt(dataSet):
numEntries = len(dataSet) # 实例的总数
labelCounts = {}
for featVec in dataSet: # the the number of unique elements and their occurance
currentLabel = featVec[-1]
if currentLabel not in labelCounts.keys():
labelCounts[currentLabel] = 0
labelCounts[currentLabel] += 1
shannonEnt = 0.0
for key in labelCounts:
prob = float(labelCounts[key]) / numEntries # 使用类标签的发生频率,计算类别出现的概率
shannonEnt -= prob * log(prob, 2) # log base 2
return shannonEnt
构建数据集:
def createDataSet():
dataSet = [[1, 1, 'yes'],
[1, 1, 'yes'],
[1, 0, 'no'],
[0, 1, 'no'],
[0, 1, 'no']]
labels = ['no surfacing', 'flippers']
# change to discrete values
return dataSet, labels
熵越高,则混合的数据也越多。
另一个度量集合无序程度的方法是,基尼不纯度。也就是从一个数据集中,随机选取子项。
划分数据集:
对每个特征,划分数据集的结果计算一次信息熵。
def splitDataSet(dataSet, axis, value):
# 待划分的数据、划分数据集的特征、需要返回的特征值
retDataSet = []
for featVec in dataSet:
if featVec[axis] == value:
reducedFeatVec = featVec[:axis]
# extend合并两个列表
reducedFeatVec.extend(featVec[axis + 1:])
# reducedFeatVec已经剔除掉了,划分数据集的特征
retDataSet.append(reducedFeatVec)
return retDataSet
选择最好的数据集划分方式:
def chooseBestFeatureToSplit(dataSet):
numFeatures = len(dataSet[0]) - 1 # 剔除最后一列,计算特征数
baseEntropy = calcShannonEnt(dataSet) # 整个数据集的原始香农熵
bestInfoGain = 0.0
bestFeature = -1
for i in range(numFeatures): # iterate over all the features
featList = [example[i] for example in dataSet] # create a list of all the examples of this feature
uniqueVals = set(featList) # get a set of unique values
newEntropy = 0.0
for value in uniqueVals:
subDataSet = splitDataSet(dataSet, i, value)
prob = len(subDataSet) / float(len(dataSet))
# 对所有唯一特征值得到的熵求和
newEntropy += prob * calcShannonEnt(subDataSet)
# 信息增益是,熵的减少,或是数据无序度的减少
infoGain = baseEntropy - newEntropy
if (infoGain > bestInfoGain):
bestInfoGain = infoGain
bestFeature = i
return bestFeature
结果返回0,表示按第一个特征属性划分数据最好。也即,第一个特征是1的放在一个组,第一个特征是0的放在另一个组。
得到的结果为,第一个特征为1的海洋生物分组将有,两个属于鱼类,一个属于非鱼类;另一个分组则全部属于非鱼类。
递归构建决策树:
返回类标签,出现次数最多的,分类名称:
def majorityCnt(classList):
classCount = {}
for vote in classList:
if vote not in classCount.keys(): classCount[vote] = 0
classCount[vote] += 1
sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)
return sortedClassCount[0][0]
创建树的代码:
# 参数为,数据集和标签列表
def createTree(dataSet, labels):
classList = [example[-1] for example in dataSet]
# dataSet里的预测类别全都相同,则停止划分
if classList.count(classList[0]) == len(classList):
return classList[0] # 返回该类别
if len(dataSet[0]) == 1: # dataSet只有标签列了
return majorityCnt(classList) # 返回出现次数最多的预测值
# 当前数据集,选取的最好最好特征,bestFeat是个列序号
bestFeat = chooseBestFeatureToSplit(dataSet)
# 最好特征的标签
bestFeatLabel = labels[bestFeat]
myTree = {bestFeatLabel: {}}
del (labels[bestFeat]) # 删除特定一列特征
featValues = [example[bestFeat] for example in dataSet]
uniqueVals = set(featValues)
for value in uniqueVals:
subLabels = labels[:]
# splitDataSet返回,剔除掉指定列bestFeat与value相等的数据集
myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value), subLabels)
# 在字典里,嵌入另外的以键值为01的字典
return myTree
工作原理:得到原始数据集,然后基于最好的属性值划分数据集,由于特征值可能多于两个,因此存在大于两个分支的数据集划分。第一次划分后,数据将被向下传递到树分支的下一个节点,在这个分支上,再次划分数据。
递归结束:1、遍历完所有划分数据集的属性。2、每个分支下的所有实例,具有相同的分类。
在Python中使用Matplotlib注解绘制树形图:
使用Matplotlib提供的一个注解工具annotations。可以在数据图像上,添加文本注释,通常用于解释数据的内容。
使用文本注解绘制树节点:
# 定义文本框和箭头格式
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
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(U'决策节点', (0.5, 0.1), (0.1, 0.5), decisionNode)
plotNode(U'叶节点', (0.8, 0.1), (0.3, 0.8), leafNode)
plt.show()
构造注解树:
要先确定x、y坐标,则先获取叶节点的数量和树有多少层。
def getNumLeafs(myTree):
numLeafs = 0
firstStr = list(myTree.keys())[0]
secondDict = myTree[firstStr]
for key in secondDict.keys():
# 测试节点的数据类型是否为字典
if type(secondDict[key]).__name__ == 'dict':
numLeafs += getNumLeafs(secondDict[key])
else:
numLeafs += 1
return numLeafs
def getTreeDepth(myTree):
maxDepth = 0
firstStr = list(myTree.keys())[0] # 获取根节点
secondDict = myTree[firstStr] # 根据根节点,取出该节点下所有实例
for key in secondDict.keys():
if type(secondDict[key]).__name__ == 'dict':
thisDepth = 1 + getTreeDepth(secondDict[key])
else:
thisDepth = 1
if thisDepth > maxDepth: maxDepth = thisDepth
return maxDepth
使用决策树进行分类:
def classify(inputTree, featLabels, testVec):
firstStr = inputTree.keys()[0] # 查找当前列表中第一个匹配firstStr变量的元素
secondDict = inputTree[firstStr]
featIndex = featLabels.index(firstStr) # 在featLabels中,获取判断节点的索引
key = testVec[featIndex] # key取值为0或1
valueOfFeat = secondDict[key] # valueOfFeat取出为字典或类标签
if isinstance(valueOfFeat, dict):
classLabel = classify(valueOfFeat, featLabels, testVec)
else:
classLabel = valueOfFeat
return classLabel
# 将决策树序列化
def grabTree(filename):
import pickle
fr = open(filename)
return pickle.load(fr)
myTree = grabTree('classifierStorage.txt')
myDat, labels = createDataSet()
print(classify(myTree, labels, [1, 0]))
print(classify(myTree, labels, [1, 1]))
ID3算法:
若匹配选项太多,则会发生过度匹配现象。可裁剪决策树,若叶子节点只能增加少许信息,则可删除该节点,将它并入到其它叶子节点中。