一、题目描述:
现有如表1数据集,需要通过给定的数据集实现一颗决策树来对今天的天气是否适合打网球做出预测(将最后4行数据作为测试集,其他所有数据作为训练集)。
二、数据集
天气 | 温度 | 湿度 | 是否有风 | 是否适合打网球 |
---|---|---|---|---|
晴 | 热 | 高 | 否 | 否 |
晴 | 热 | 高 | 是 | 否 |
阴 | 热 | 高 | 否 | 是 |
雨 | 温 | 高 | 否 | 是 |
雨 | 凉爽 | 中 | 否 | 是 |
雨 | 凉爽 | 中 | 是 | 否 |
阴 | 凉爽 | 中 | 是 | 是 |
晴 | 温 | 高 | 否 | 否 |
晴 | 凉爽 | 中 | 否 | 是 |
雨 | 温 | 中 | 否 | 是 |
晴 | 温 | 中 | 是 | 是 |
阴 | 温 | 高 | 是 | 是 |
阴 | 热 | 中 | 否 | 是 |
雨 | 温 | 高 | 是 | 否 |
三、实现代码
import math
import operator
import matplotlib as mpl
import matplotlib.pyplot as plt
from pylab import *
mpl.rcParams['font.sans-serif'] = ["SimHei"]
mpl.rcParams['axes.unicode_minus'] = True
def createDataSet():
dataSet=[
['晴','热','高','否','否'],
['晴','热','高','是','否'],
['阴','热','高','否','是'],
['雨','温','高','否','是'],
['雨','凉爽','中','否','是'],
['雨','凉爽','中','是','否'],
['阴','凉爽','中','是','是'],
['晴','温','高','否','否'],
['晴','凉爽','中','否','是'],
['雨','温','中','否','是'],
]
labels = ['天气','温度','湿度','是否有风'] #两个特征
return dataSet,labels
dataset,dataLabels = createDataSet()
def calcShannonEnt(dataSet):
#样本总个数
totalNum = len(dataSet)
#类别集合
labelSet = {}
#计算每个类别的样本个数
for dataVec in dataSet:
label = dataVec[-1]
if label not in labelSet.keys():
labelSet[label] = 0
labelSet[label] += 1
shannonEnt = 0
#计算熵值
for key in labelSet:
pi = float(labelSet[key])/totalNum
shannonEnt -= pi*math.log(pi,2)
return shannonEnt
#按给定特征划分数据集:返回第featNum个特征其值为value的样本集合,且返回的样本数据中已经去除该特征
def splitDataSet(dataSet, featNum, featvalue):
retDataSet = []
for dataVec in dataSet:
if dataVec[featNum] == featvalue:
splitData = dataVec[:featNum]
splitData.extend(dataVec[featNum+1:])
retDataSet.append(splitData)
return retDataSet
#选择最好的特征划分数据集
def chooseBestFeatToSplit(dataSet):
featNum = len(dataSet[0]) - 1
maxInfoGain = 0
bestFeat = -1
#计算样本熵值,对应公式中:H(X)
baseShanno = calcShannonEnt(dataSet)
#以每一个特征进行分类,找出使信息增益最大的特征
for i in range(featNum):
featList = [dataVec[i] for dataVec in dataSet]
featList = set(featList)
newShanno = 0
#计算以第i个特征进行分类后的熵值,对应公式中:H(X|Y)
for featValue in featList:
subDataSet = splitDataSet(dataSet, i, featValue)
prob = len(subDataSet)/float(len(dataSet))
newShanno += prob*calcShannonEnt(subDataSet)
#ID3算法:计算信息增益,对应公式中:g(X,Y)=H(X)-H(X|Y)
infoGain = baseShanno - newShanno
#C4.5算法:计算信息增益比
#infoGain = (baseShanno - newShanno)/baseShanno
#找出最大的熵值以及其对应的特征
if infoGain > maxInfoGain:
maxInfoGain = infoGain
bestFeat = i
return bestFeat
# 如果决策树递归生成完毕,且叶子节点中样本不是属于同一类,则以少数服从多数原则确定该叶子节点类别
def majorityCnt(labelList):
labelSet = {}
# 统计每个类别的样本个数
for label in labelList:
if label not in labelSet.keys():
labelSet[label] = 0
labelSet[label] += 1
# iteritems:返回列表迭代器
# operator.itemgeter(1):获取对象第一个域的值
# True:降序
sortedLabelSet = sorted(labelSet.items(), key=operator.itemgetter(1), reverse=True)
return sortedLabelSet[0][0]
#创建决策树
def createDecideTree(dataSet, featName):
#数据集的分类类别
classList = [dataVec[-1] for dataVec in dataSet]
#所有样本属于同一类时,停止划分,返回该类别
if len(classList) == classList.count(classList[0]):
return classList[0]
#所有特征已经遍历完,停止划分,返回样本数最多的类别
if len(dataSet[0]) == 1:
return majorityCnt(classList)
#选择最好的特征进行划分
bestFeat = chooseBestFeatToSplit(dataSet)
beatFestName = featName[bestFeat]
del featName[bestFeat]
#以字典形式表示树
DTree = {beatFestName:{}}
#根据选择的特征,遍历该特征的所有属性值,在每个划分子集上递归调用createDecideTree
featValue = [dataVec[bestFeat] for dataVec in dataSet]
featValue = set(featValue)
for value in featValue:
subFeatName = featName[:]
DTree[beatFestName][value] = createDecideTree(splitDataSet(dataSet,bestFeat,value), subFeatName)
return DTree
#print(createDecideTree(dataset,dataLabels))
def getNumLeafs(tree):
numLeafs = 0
#获取第一个节点的分类特征
firstFeat = list(tree.keys())[0]
#得到firstFeat特征下的决策树(以字典方式表示)
secondDict = tree[firstFeat]
#遍历firstFeat下的每个节点
for key in secondDict.keys():
#如果节点类型为字典,说明该节点下仍然是一棵树,此时递归调用getNumLeafs
if type(secondDict[key]).__name__== 'dict':
numLeafs += getNumLeafs(secondDict[key])
#否则该节点为叶节点
else:
numLeafs += 1
return numLeafs
#获取决策树深度
def getTreeDepth(tree):
maxDepth = 0
#获取第一个节点分类特征
firstFeat = list(tree.keys())[0]
#得到firstFeat特征下的决策树(以字典方式表示)
secondDict = tree[firstFeat]
#遍历firstFeat下的每个节点,返回子树中的最大深度
for key in secondDict.keys():
#如果节点类型为字典,说明该节点下仍然是一棵树,此时递归调用getTreeDepth,获取该子树深度
if type(secondDict[key]).__name__ == 'dict':
thisDepth = 1 + getTreeDepth(secondDict[key])
else:
thisDepth = 1
if thisDepth > maxDepth:
maxDepth = thisDepth
return maxDepth
#画出决策树
def createPlot(tree):
# 定义一块画布,背景为白色
fig = plt.figure(1, facecolor='white')
# 清空画布
fig.clf()
# 不显示x、y轴刻度
xyticks = dict(xticks=[], yticks=[])
# frameon:是否绘制坐标轴矩形
createPlot.pTree = plt.subplot(111, frameon=False, **xyticks)
# 计算决策树叶子节点个数
plotTree.totalW = float(getNumLeafs(tree))
# 计算决策树深度
plotTree.totalD = float(getTreeDepth(tree))
# 最近绘制的叶子节点的x坐标
plotTree.xOff = -0.5 / plotTree.totalW
# 当前绘制的深度:y坐标
plotTree.yOff = 1.0
# (0.5,1.0)为根节点坐标
plotTree(tree, (0.5, 1.0), '')
plt.show()
# 定义决策节点以及叶子节点属性:boxstyle表示文本框类型,sawtooth:锯齿形;fc表示边框线粗细
decisionNode = dict(boxstyle="sawtooth", fc="0.5")
leafNode = dict(boxstyle="round4", fc="0.5")
# 定义箭头属性
arrow_args = dict(arrowstyle="<-")
# nodeText:要显示的文本;centerPt:文本中心点,即箭头所在的点;parentPt:指向文本的点;nodeType:节点属性
# ha='center',va='center':水平、垂直方向中心对齐;bbox:方框属性
# arrowprops:箭头属性
# xycoords,textcoords选择坐标系;axes fraction-->0,0是轴域左下角,1,1是右上角
def plotNode(nodeText, centerPt, parentPt, nodeType):
createPlot.pTree.annotate(nodeText, xy=parentPt, xycoords="axes fraction",
xytext=centerPt, textcoords='axes fraction',
va='center', ha='center', bbox=nodeType, arrowprops=arrow_args)
def plotMidText(centerPt, parentPt, midText):
xMid = (parentPt[0] - centerPt[0]) / 2.0 + centerPt[0]
yMid = (parentPt[1] - centerPt[1]) / 2.0 + centerPt[1]
createPlot.pTree.text(xMid, yMid, midText)
def plotTree(tree, parentPt, nodeTxt):
#计算叶子节点个数
numLeafs = getNumLeafs(tree)
#获取第一个节点特征
firstFeat = list(tree.keys())[0]
#计算当前节点的x坐标
centerPt = (plotTree.xOff + (1.0 + float(numLeafs))/2.0/plotTree.totalW, plotTree.yOff)
#绘制当前节点
plotMidText(centerPt,parentPt,nodeTxt)
plotNode(firstFeat,centerPt,parentPt,decisionNode)
secondDict = tree[firstFeat]
#计算绘制深度
plotTree.yOff -= 1.0/plotTree.totalD
for key in secondDict.keys():
#如果当前节点的子节点不是叶子节点,则递归
if type(secondDict[key]).__name__ == 'dict':
plotTree(secondDict[key],centerPt,str(key))
#如果当前节点的子节点是叶子节点,则绘制该叶节点
else:
#plotTree.xOff在绘制叶节点坐标的时候才会发生改变
plotTree.xOff += 1.0/plotTree.totalW
plotNode(secondDict[key], (plotTree.xOff,plotTree.yOff),centerPt,leafNode)
plotMidText((plotTree.xOff,plotTree.yOff),centerPt,str(key))
plotTree.yOff += 1.0/plotTree.totalD
#决策树节点文本可以以中文显示
#创建决策树
myTree = createDecideTree(dataset,dataLabels)
print("决策树模型:")
print(myTree)
createPlot(myTree)
#预测部分
def classify(tree,feat,featValue):
firstFeat = list(tree.keys())[0]
secondDict = tree[firstFeat]
featIndex = feat.index(firstFeat)
for key in secondDict.keys():
if featValue[featIndex] == key:
if type(secondDict[key]).__name__ == 'dict':
classLabel = classify(secondDict[key],feat,featValue)
else:
classLabel = secondDict[key]
return classLabel
feat = ['天气','温度','湿度','是否有风']
dataSet2=[
['晴','温','中','是'],
['阴','温','高','是'],
['阴','热','中','否'],
['雨','温','高','是'],
]
print("预测结果:")
for dataVec2 in dataSet2:
print(classify(myTree,feat,dataVec2))
四、实验结果
②