一、定义:
分类决策树模型是一种对实例进行分类的树形结构。
决策树由结点(node) 和有向边(directed edge)组成。结点分为内部结点(internal node)和叶结点(leaf node)。
内部结点表示一个特征或属性;叶结点表示一个类。
二、重要概念:
1、熵 (Entropy):
表示随机变量不确定性的度量。熵越大,随机变量的不确定性就越大。
设: X 是取有限值的离散随机变量,其概率分布是:
则:随机变量
X
的熵定义为:
2、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
H(Y|X)=∑i=1npiH(Y|X=xi) 。
3、经验熵和经验条件熵
当熵和条件熵中的概率由数据估计(特别是极大似然估计)得到时,所对应的熵和条件熵分别称为经验熵(Empirical entropy)和经验条件熵(empirical conditional entropy)。
4、信息增益
训练集合
D
的经验熵
g(D,A)=H(D)−H(D|A)
5、信息增益比
信息增益
g(D,A)
与训练数据集
D
关于特征
其中, HA(D)=−∑i=1n|Di||D|log2|Di||D| 。
ID3
算法选择划分特征的依据是信息增益,倾向于选择特征值较多的特征。
C4.5
算法选择划分特征的依据是信息增益比。
三、算法分析:
清楚决策树停止划分的情况:
1、当前数据集的属性值为空;
2、当前所有样本的类别相同;
3、信息增益小于一定的值。(预剪枝中使用)
算法实现主要包括两大模块:最优划分特征选择和决策树的生成。
最优划分特征选择部分
1、计算信息熵:
输入:数据集(含标签)
输出:信息熵
Entropy−=pilog pi
2、划分数据集
输入:数据集、属性(特征)、指定特征值
value
输出:具有该指定特征值的所有数据集
重难点:数据切分,选出指定的数据!首先找到所有属性的值是
value
的样本,然后去除该属性。组成返回数据集!!!在决策树生成部分的步骤e中很重要。
3、选择最佳特征
输入:数据集(含类别标签)、所有属性值
输出:最佳特征
a、计算数据集总的信息熵 Entropy
b、分别遍历每一个属性(特征)(一个属性可能有多个特征值),计算每个属性下的信息增益(包含多个特征值下的信息熵)Em
c、寻找最大的(Entropy - Em),此时即是最大的信息增益,选择的特征既是最佳分类特征。
4、投票表决
输入:数据集
输出:类别标签
统计该数据集下每个类别出现的次数,排序,返回出现次数最多的类别。
决策树的生成(该函数是一个递归的过程)CreateTree
输入:数据集、特征
输出:字典型数据——决策树
a、判断是否满足停止划分的条件
若当前数据集的属性值为空,则投票表决当前样本中最多的类别
若当前所有的样本类别相同,则返回当前数据的类别。
b、寻找当前数据的最佳划分特征
c、将最佳特征作为关键字,保存到字典中
d、从当前的属性集合中删除该最佳特征
e、遍历该最佳划分特征的所有属性值feat,循环调用函数 CreateTree(输入参数为:最佳特征值为feat的所有数据集,去除最佳特征的属性集合)
四、代码注意:
1、生成的决策树用字典保存,并且每个关键字的值是一个字典;
2、生成的决策树可以用 pickle 序列化对象保存;
3、
ID3
算法适用于标称型数据,在函数的输入、输出中,数据类型为
list
。
五、代码:
#-*- coding:utf-8 -*-
import numpy as np
from numpy import *
import pandas as pd
from math import *
import operator
import pickle # 使用该模块实现对决策树的保存
# 数据导入
def loadData(fileName):
dataSet = []
fr = open(fileName)
for featVector in fr.readlines():
lineVector = featVector.strip().split('\t')
dataSet.append(lineVector)
return dataSet
def calcuEntropy(myData): # 计算信息熵
numSample = len(myData)
myClassCount = {}
for featVector in myData:
theKey = featVector[-1]
if theKey not in myClassCount:
myClassCount[theKey] = 0
myClassCount[theKey] += 1
myEntropy = 0
for Keys in myClassCount.keys():
Px = float(myClassCount[Keys])/numSample
myEntropy -= Px*log(Px,2) # 需要导入 math 库
return myEntropy
# 划分数据集:返回划分好的数据集
def splitDataSet(dataX,FeatureNumber,value): # 输入:数据集、第i 个特征、该属性的值
retMat = []
for featVect in dataX:
if featVect[FeatureNumber] == value:
x1 = featVect[:FeatureNumber]
x2 = featVect[FeatureNumber+1:]
x1.extend(x2)
retMat.append(x1)
#print"retMat", retMat
return retMat
# 计算最优特征:计算每个特征下的信息熵,信息熵最大的既是最优特征,返回的数字 i 代表第 i 个特征
def GetBestFeature(dataM):
BestFeat = -1; LargestInformGain = -1 # 最佳特征、最大信息增益
theEntropy = calcuEntropy(dataM)
FeatNumber = len(dataM[0])-1
for i in range(FeatNumber):
FeatList = [example[i] for example in dataM] # 统计每个特征有几个特征值
FeatUnique = set(FeatList) # 每个特征中的特征值,计算每个特征值下的信息增益
NewEntropy = 0.0
for j in FeatUnique:
retMat = splitDataSet(dataM,i,j) # 得到满足条件的数据
Prob = len(retMat)/float(len(dataM))
NewEntropy -= Prob*calcuEntropy(retMat) # 注意:这里是子数据集的概率x 该数据集的熵
informGain = theEntropy + NewEntropy
if informGain > LargestInformGain:
LargestInformGain = informGain
BestFeat = i
return BestFeat
def RoleOfVote(dataM): # 投票规则:少数服从多数
lables = [example[-1] for example in dataM]
lablesCount = {}
for i in lables:
if i not in lablesCount.keys():
lablesCount[i] = 0
lablesCount[i] += 1
theSort = sorted(lablesCount.iteritems(),key =operator.itemgetter(1),reverse=True)
return theSort[0][0] # 返回出现次数最多的类别标签
# 决策树生成: 首先,判断是否满足停止划分的条件:1、所有的类别标签相同 2、属性值为空
def CreateTree(dataSet,label):
allLabels = [example[-1] for example in dataSet]
#print "调用几次"
if allLabels.count(allLabels[0])==len(allLabels):
return allLabels[0]
if(len(dataSet[0])==1): # 没有属性可以划分时,采用投票规则
return RoleOfVote(dataSet)
featNumber = GetBestFeature(dataSet) # 返回最佳划分的编号
#print featNumber
bestFeature = label[featNumber]
myTree = {bestFeature:{}}
del(label[featNumber])
featValue = [example[featNumber] for example in dataSet]
uniqueFeatValues = set(featValue)
for i in uniqueFeatValues:
subLabels = label[:]
myTree[bestFeature][i] = CreateTree(splitDataSet(dataSet, featNumber, i), subLabels)
return myTree
# 对输入样本进行分类
def SampleClassify(inputTree, featLabels, testVec): # 输入树、属性标签、测试向量
firstStr = inputTree.keys()[0] # 决策树的第一个关键词(第一个划分的属性)
secondDict = inputTree[firstStr] # 决策树每个关键字对应的值也是字典
featIndex = featLabels.index(firstStr) # 得到该特征在属性标签中的编号 K
key = testVec[featIndex] # 得到当前测试向量中第 K 号特征值
valueOfFeat = secondDict[key]
if isinstance(valueOfFeat, dict):
classLabel = SampleClassify(valueOfFeat, featLabels, testVec)
else:
classLabel = valueOfFeat
return classLabel
# 将生成的树保存
def storeTree(inputTree, filename):
fw = open(filename, 'w')
pickle.dump(inputTree, fw)
fw.close()
# 加载保存的树
def loadTree(filename):
fr = open(filename)
return pickle.load(fr)
if __name__=="__main__":
print "hello world"
dataSet = loadData('lenses.txt')
labels = ['age','prescript','astigmatic','tearRate']
slabels = labels[:] # pyhton 函数中的参数是按照引用方式传递的,为防止labels 改变,复制类标签带入
myTree = CreateTree(dataSet,slabels)
print labels
#storeTree(myTree,"xu") # 保存决策树
test = dataSet[0]
#print test[:-1]
print"预测结果是:", SampleClassify(myTree,labels,test[:-1])
print"真是标签是:",test[-1]
参考:
《机器学习实战》
《统计学习方法》 李航