1.决策树/判断树
判定树是一个类似于流程图的树结构:其中,每个内部结点表示在一个属性上的测试,每个分支代表一个属性输出,而每个树叶结点代表类或类分布。树的最顶层是根结点。
2.分类方法的重要的算法
3.决策树构建
3.1信息熵
比特(bit)衡量信息熵,事件不确定性越大熵也也大;
公式:
条件熵:
(1)决策树归纳算法(ID3)
- 树以代表训练样本的单个结点开始(步骤1)。
- 如果样本都在同一个类,则该结点成为树叶,并用该类标号(步骤2 和3)。
- 否则,算法使用称为信息增益的基于熵的度量作为启发信息,选择能够最好地将样本分类的属性(步骤6)。该属性成为该结点的“测试”或“判定”属性(步骤7)。在算法的该版本中,
- 所有的属性都是分类的,即离散值。连续属性必须离散化。
- 对测试属性的每个已知的值,创建一个分枝,并据此划分样本(步骤8-10)。
- 算法使用同样的过程,递归地形成每个划分上的样本判定树。一旦一个属性出现在一个结点上,就不必该结点的任何后代上考虑它(步骤13)。
- 递归划分步骤仅当下列条件之一成立停止:
- (a) 给定结点的所有样本属于同一类(步骤2 和3)。
- (b) 没有剩余属性可以用来进一步划分样本(步骤4)。在此情况下,使用多数表决(步骤5)。
- 这涉及将给定的结点转换成树叶,并用样本中的多数所在的类标记它。替换地,可以存放结
- 点样本的类分布。
- (c) 分枝
- test_attribute = a i 没有样本(步骤11)。在这种情况下,以 samples 中的多数类
- 创建一个树叶(步骤12)
数据:
python环境3.7
# -×- encoding=utf-8 -*-
from sklearn.feature_extraction import DictVectorizer
import csv
from sklearn import preprocessing
from sklearn import tree
import numpy as np
import os
import pydot
# os.environ['PATH'] = os.environ['PATH'] + ('D:\\graphviz-2.38\\release\\bin')
from sklearn.externals.six import StringIO
#read the csv file
allElectronicsData = open('play.csv', 'rt')
reader = csv.reader(allElectronicsData)
header = next(reader)
print(header)
featureList = []
labelList = []
for row in reader:
labelList.append(row[len(row)-1])
rowDict = {}
for i in range(1, len(row)-1):
rowDict[header[i]] = row[i]
featureList.append(rowDict)
print(featureList)
#vectorize feature
vec = DictVectorizer()
dumpyX = vec.fit_transform(featureList).toarray()
print("dunmpyX " + str(dumpyX))
print("feature_name"+str(vec.get_feature_names()))
print("labelList " + str(labelList))
#vectorize class lables
lb = preprocessing.LabelBinarizer()
dummyY = lb.fit_transform(labelList)
print("dummyY:" + str(dummyY))
#use the decision tree for classfication
clf = tree.DecisionTreeClassifier(criterion='entropy')
clf = clf.fit(dumpyX, dummyY) #构造决策树
#打印构造决策树采用的参数
print("clf : " + str(clf))
#visilize the model
# obname = vec.get_feature_names()
# with open('play.dot', 'w') as file:
# tree.export_graphviz(clf, feature_names=obname, out_file=file)
# dot -Tpdf in.dot -o out.pdf输出pdf文件
# (graph, ) = pydot.graph_from_dot_file('play.dot')
# graph.write_png('play.png')
#验证数据,取一行数据,修改几个属性预测结果
oneRowX = dumpyX[0, :]
print("oneRowX: " + str(oneRowX))
newRowX = oneRowX
newRowX[0] = 1
newRowX[2] = 0
newRowX = np.array(newRowX).reshape(1, -1)
print("newRowX:" + str(newRowX))
predictedY = clf.predict(newRowX)
print("predictedY:" + str(predictedY))
生成tree
3.1 其他算法:
C4.5: Quinlan
Classification and Regression Trees (CART): (L. Breiman, J. Friedman, R. Olshen, C. Stone)
共同点:都是贪心算法,自上而下(Top-down approach)
区别:属性选择度量方法不同: C4.5 (gain ratio), CART(gini index), ID3 (Information Gain)
3.2 如何处理连续性变量的属性?
4. 树剪枝叶 (避免overfitting)
4.1 先剪枝
4.2 后剪枝
5. 决策树的优点:
直观,便于理解,小规模数据集有效
6. 决策树的缺点:
处理连续变量不好
类别较多时,错误增加的比较快
可规模性一般