机器学习——使用ID3算法从原理到实际举例理解决策树

一、什么是决策树

1. 基本概念
   决策树是一种树形结构，其组成包括结点(node)和有向边(directed edge)。而结点有两种类型，分别是内部结点(internal node)和叶结点(leaf node)。其中每个内部结点表示一个属性（特征），每个叶节点表示一个类别。由此看来，决策树是一种常用的分类的机器学习方法。
2. 实际举例说明
   相亲对象分类系统的一个简单决策树构建，其中长方形和椭圆形都是结点。长方形的结点属于内部结点，椭圆形的结点属于叶结点，从结点引出的左右箭头就是有向边。也可以解释为有无房子和有无上进心作为特征，值得考虑，备胎，Say Goodbye作为划分的类别。从下面图中可以得到结论是当相亲对象有房子划分为可以考虑，没有房子但有上进心划分为备胎，既没有房子也没有上进心的划分为Say Goodbye。
   
   通过上面的实际举例，可以简单的了解到决策树的基本构成。然而，实际分类中，一般存在多个特征量，所以，可以构建多种树（内部结点代表不同），如何得到最优的那个树便成了一个思考的问题。

二、介绍建立决策树的算法

1. ID3算法
   使用信息增益进行特征选择
   ①某个分类的信息
   $l(x_i)=-lo{g}_{2}P(x_i)$ (其中$p(x_i)$是选择该分类的概率)
   ②熵
   在信息论与概率统计中，熵是表示随机变量不确定性的度量。熵定义为信息的期望值，所以熵的计算方法
   $H=-\sum _{i=1}^{n}P(x_i)lo{g}_{2}P(x_i)$ (其中n是分类的数目）
   ③经验熵
   熵中的概率由数据估计(特别是最大似然估计)得到
   在|D|样本容量(样本个数)下,设有K个类Ck, = 1,2,3,…,K,|Ck|为属于类Ck的样本个数,得到其表达式如下
   $H(D)=-\sum _{k=1}^K\frac{|C_k|}{|D|}lo{g}_2\frac{|C_k|}{|D|}$
   ④条件熵
   在已知随机变量X的条件下随机变量Y的不确定性，随机变量X给定的条件下随机变量Y的条件熵H(Y|X)，定义为X给定条件下Y的条件概率分布的熵对X的数学期望
   $H(Y|X)=\sum _{i=1}^n{p}_{i}H(Y|X=x_i)$
   ⑤信息增益
   集合D的经验熵H(D)与特征A给定条件下D的经验条件熵H(D|A)之差
   $g(D,A)=H(D)-H(D|A)$

   说明：特征所对应的信息增益值最大，该特征就为最优特征，也就是说信息增益越大，越应该放在决策树的上层

2. C4.5
   使用信息增益率进行特征选择
3. CART
   使用基尼指数进行特征选择

一个属性的信息增益/基尼指数越大，表明该属性对于样本的熵减少的能力更强，同时使数据由不确定性变为确定性的能力更强。本文章重点说明ID3算法。

三、决策树的一般流程

1. 收集数据
   可以使用任何方法。
2. 准备数据
   树构造算法只适用于标称型数据，因此数值型数据必须离散化。
3. 分析数据
   可以使用任何方法，构造树完成之后，我们应该检查图形是否符合预期。
4. 训练算法
   构造树的数据结构。
5. 测试算法
   使用经验树计算错误率。
6. 使用算法
   此步骤可以适用于任何监督学习算法，而使用决策树可以更好地理解数据
   的内在含义。

四、实际举例构建决策树

贷款申请样本数据表

使用ID3算法的原理实现构建决策树

1. 特征选择
   ①数据集进行属性标注
   年龄：0代表青年，1代表中年，2代表老年；
   有工作：0代表否，1代表是；
   有自己的房子：0代表否，1代表是；
   信贷情况：0代表一般，1代表好，2代表非常好；
   类别(是否给贷款)：no代表否，yes代表是
   代码

   from math import log
   def createDataSet():
   dataSet = [[0, 0, 0, 0, 'no'],                        #数据集
           [0, 0, 0, 1, 'no'],
           [0, 1, 0, 1, 'yes'],
           [0, 1, 1, 0, 'yes'],
           [0, 0, 0, 0, 'no'],
           [1, 0, 0, 0, 'no'],
           [1, 0, 0, 1, 'no'],
           [1, 1, 1, 1, 'yes'],
           [1, 0, 1, 2, 'yes'],
           [1, 0, 1, 2, 'yes'],
           [2, 0, 1, 2, 'yes'],
           [2, 0, 1, 1, 'yes'],
           [2, 1, 0, 1, 'yes'],
           [2, 1, 0, 2, 'yes'],
           [2, 0, 0, 0, 'no']]
   labels = ['年龄', '有工作', '有自己的房子', '信贷情况']        #特征标签
   labels1=['放贷','不放贷']
   return dataSet, labels,labels1                             #返回数据集和特征标签和分类标签
   

   ②计算经验熵H(D)
   数学计算方式
   $H(D)=-\frac{9}{15}lo{g}_2\frac{9}{15}-\frac{6}{15}lo{g}_2\frac{6}{15}=0.971$
   代码计算方式

   def calcShannonEnt(dataSet):
   numEntires = len(dataSet)                        #返回数据集的行数
   labelCounts = {}                                #保存每个标签(Label)出现次数的字典
   for featVec in dataSet:                            #对每组特征向量进行统计
       currentLabel = featVec[-1]                    #提取标签(Label)信息
       if currentLabel not in labelCounts.keys():    #如果标签(Label)没有放入统计次数的字典,添加进去
           labelCounts[currentLabel] = 0
       labelCounts[currentLabel] += 1                #Label计数
   shannonEnt = 0.0                                #经验熵(香农熵)
   for key in labelCounts:                            #计算香农熵
       prob = float(labelCounts[key]) / numEntires    #选择该标签(Label)的概率
       shannonEnt -= prob * log(prob, 2)            #利用公式计算
   return shannonEnt                                #返回经验熵(香农熵)
   if __name__ == '__main__':
   dataSet, features = createDataSet()
   print(dataSet)
   print(calcShannonEnt(dataSet))
   

   
   ③计算信息增益
   数学计算
   年龄的信息增益(其中$D_1,D_2,D_3$表示青年,中年,老年)
   $\begin{array}{rl}g(D,A_1)& =H(D)-[\frac{5}{15}H(D_1)+]\frac{5}{15}H(D_2)+\frac{5}{15}H(D_3)]\\ & =0.971-[\frac{5}{15}(-\frac{2}{5}lo{g}_2\frac{2}{5}-\frac{3}{5}lo{g}_2\frac{3}{5})+\frac{5}{15}(-\frac{3}{5}lo{g}_2\frac{3}{5}-\frac{2}{5}lo{g}_2\frac{2}{5})+\frac{5}{15}(-\frac{4}{5}lo{g}_2\frac{4}{5}-\frac{1}{5}lo{g}_2\frac{1}{5})]\\ & =0.971-0.888=0.083\end{array}$
   同理可以计算其他三种特征的信息增益如下
   有无工作的信息增益
   $\begin{array}{rl}g(D,A_2)& =H(D)-[\frac{5}{15}H(D_1)+]\frac{10}{15}H(D_2)]\\ & =0.971-[\frac{5}{15}\times 0+\frac{10}{15}(-\frac{4}{10}lo{g}_2\frac{4}{10}-\frac{6}{10}lo{g}_2\frac{6}{10})]\\ & =0.971-0.647=0.324\end{array}$
   有无房子的信息增益
   $\begin{array}{rl}g(D,A_3)& =H(D)-[\frac{6}{15}H(D_1)+]\frac{9}{15}H(D_2)]\\ & =0.971-[\frac{6}{15}\times 0+\frac{9}{15}(-\frac{3}{9}lo{g}_2\frac{3}{9}-\frac{6}{9}lo{g}_2\frac{6}{9})]\\ & =0.971-0.551=0.420\end{array}$
   信贷情况的信息增益
   $g(D,A_4)=0.971-0.608=0.363$
   代码计算

   """
   函数说明:按照给定特征划分数据集
   Parameters:
       dataSet - 待划分的数据集
       axis - 划分数据集的特征
   	value - 需要返回的特征的值
   """
   def splitDataSet(dataSet, axis, value):       
       retDataSet = []                                        #创建返回的数据集列表
       for featVec in dataSet:                             #遍历数据集
           if featVec[axis] == value:
               reducedFeatVec = featVec[:axis]                #去掉axis特征
               reducedFeatVec.extend(featVec[axis+1:])     #将符合条件的添加到返回的数据集
               retDataSet.append(reducedFeatVec)
       return retDataSet                                      #返回划分后的数据集
   """
   函数说明:选择最优特征 
   Parameters:
       dataSet - 数据集
   Returns:
       bestFeature - 信息增益最大的(最优)特征的索引值
   """
   def chooseBestFeatureToSplit(dataSet):
       numFeatures = len(dataSet[0]) - 1                    #特征数量
       baseEntropy = calcShannonEnt(dataSet)                 #计算数据集的香农熵
       bestInfoGain = 0.0                                  #信息增益
       bestFeature = -1                                    #最优特征的索引值
       for i in range(numFeatures):                         #遍历所有特征
           #获取dataSet的第i个所有特征
           featList = [example[i] for example in dataSet]
           uniqueVals = set(featList)                         #创建set集合{},元素不可重复
           newEntropy = 0.0                                  #经验条件熵
           for value in uniqueVals:                         #计算信息增益
               subDataSet = splitDataSet(dataSet, i, value)         #subDataSet划分后的子集
               prob = len(subDataSet) / float(len(dataSet))           #计算子集的概率
               newEntropy += prob * calcShannonEnt(subDataSet)     #根据公式计算经验条件熵
           infoGain = baseEntropy - newEntropy                     #信息增益
           print("第%d个特征的增益为%.3f" % (i, infoGain))            #打印每个特征的信息增益
           if (infoGain > bestInfoGain):                             #计算信息增益
               bestInfoGain = infoGain                             #更新信息增益，找到最大的信息增益
               bestFeature = i                                     #记录信息增益最大的特征的索引值
       return bestFeature                                             #返回信息增益最大的特征的索引值
   if __name__ == '__main__':
   	dataSet, features = createDataSet()
   	print("最优特征索引值:" + str(chooseBestFeatureToSplit(dataSet)))
   

   
   通过上面数学计算或者代码计算结果，可以看出特征A3(有自己的房子)的信息增益值最大，所以选择A3作为最优特征（根节点）
   根据根节点，将训练集D划分为两个子集D1(A3取值为"是")和D2(A3取值为"否")。从数据集中可以发现D1只有同一类的样本点，所以它成为一个叶结点，结点的类标记为“是”(同意放贷),对应另外一个叶节点的确定方式是在D2数据样本中，选出信息增益最大的作为此叶节点，也可以理解为在D2数据集中，从除有无房子以外的特征选出一个新的特征，作为叶节点。实际此过程就是一个递归的过程。
2. 决策树的生成

   """
   函数说明:统计classList中出现此处最多的元素(类标签)
   Parameters:
       classList - 类标签列表
   Returns:
       sortedClassCount[0][0] - 出现此处最多的元素(类标签)
   """
   def majorityCnt(classList):
       classCount = {}
       for vote in classList:                                        #统计classList中每个元素出现的次数
           if vote not in classCount.keys():classCount[vote] = 0   
           classCount[vote] += 1
       sortedClassCount = sorted(classCount.items(), key = operator.itemgetter(1), reverse = True)        #根据字典的值降序排序
       return sortedClassCount[0][0]                                #返回classList中出现次数最多的元素
   """
   函数说明:创建决策树
   Parameters:
       dataSet - 训练数据集
       labels - 分类属性标签
       featLabels - 存储选择的最优特征标签
   Returns:
       myTree - 决策树
   """
   def createTree(dataSet, labels, featLabels):
       classList = [example[-1] for example in dataSet]            #取分类标签(是否放贷:yes or no)
       if classList.count(classList[0]) == len(classList):            #如果类别完全相同则停止继续划分
           return classList[0]
       if len(dataSet[0]) == 1 or len(labels) == 0:                                    #遍历完所有特征时返回出现次数最多的类标签
           return majorityCnt(classList)
       bestFeat = chooseBestFeatureToSplit(dataSet)                #选择最优特征
       bestFeatLabel = labels[bestFeat]                            #最优特征的标签
       featLabels.append(bestFeatLabel)
       myTree = {bestFeatLabel:{}}                                    #根据最优特征的标签生成树
       del(labels[bestFeat])                                        #删除已经使用特征标签
       featValues = [example[bestFeat] for example in dataSet]        #得到训练集中所有最优特征的属性值
       uniqueVals = set(featValues)                                #去掉重复的属性值
       for value in uniqueVals:                                   #遍历特征，创建决策树。        
           subLabels = labels[:]               
           myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value), subLabels, featLabels)
       return myTree
   if __name__ == '__main__':
       dataSet, labels,labels1 = createDataSet()
       featLabels = []
       myTree = createTree(dataSet, labels, featLabels)
       print(myTree)
   

   
3. 决策树的可视化

   """
   函数说明:获取决策树叶子结点的数目 
   Parameters:
       myTree - 决策树
   Returns:
       numLeafs - 决策树的叶子结点的数目
   """
   def getNumLeafs(myTree):
       numLeafs = 0                                                #初始化叶子
       firstStr = next(iter(myTree))                                #python3中myTree.keys()返回的是dict_keys,不在是list,所以不能使用myTree.keys()[0]的方法获取结点属性，可以使用list(myTree.keys())[0]
       secondDict = myTree[firstStr]                                #获取下一组字典
       for key in secondDict.keys():
           if type(secondDict[key]).__name__=='dict':                #测试该结点是否为字典，如果不是字典，代表此结点为叶子结点
               numLeafs += getNumLeafs(secondDict[key])
           else:   numLeafs +=1
       return numLeafs
   """
   函数说明:获取决策树的层数
   Parameters:
       myTree - 决策树
   Returns:
       maxDepth - 决策树的层数
   """
   def getTreeDepth(myTree):
       maxDepth = 0                                                #初始化决策树深度
       firstStr = next(iter(myTree))                                #python3中myTree.keys()返回的是dict_keys,不在是list,所以不能使用myTree.keys()[0]的方法获取结点属性，可以使用list(myTree.keys())[0]
       secondDict = myTree[firstStr]                                #获取下一个字典
       for key in secondDict.keys():
           if type(secondDict[key]).__name__=='dict':                #测试该结点是否为字典，如果不是字典，代表此结点为叶子结点
               thisDepth = 1 + getTreeDepth(secondDict[key])
           else:   thisDepth = 1
           if thisDepth > maxDepth: maxDepth = thisDepth            #更新层数
       return maxDepth
    
   """
   函数说明:绘制结点
   Parameters:
       nodeTxt - 结点名
       centerPt - 文本位置
       parentPt - 标注的箭头位置
       nodeType - 结点格式
   """
   def plotNode(nodeTxt, centerPt, parentPt, nodeType):
       arrow_args = dict(arrowstyle="<-")                                            #定义箭头格式
       font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=14)        #设置中文字体
       createPlot.ax1.annotate(nodeTxt, xy=parentPt,  xycoords='axes fraction',    #绘制结点
           xytext=centerPt, textcoords='axes fraction',
           va="center", ha="center", bbox=nodeType, arrowprops=arrow_args, FontProperties=font)
    
   """
   函数说明:标注有向边属性值
   Parameters:
       cntrPt、parentPt - 用于计算标注位置
       txtString - 标注的内容
   """
   def plotMidText(cntrPt, parentPt, txtString):
       xMid = (parentPt[0]-cntrPt[0])/2.0 + cntrPt[0]                                            #计算标注位置                   
       yMid = (parentPt[1]-cntrPt[1])/2.0 + cntrPt[1]
       createPlot.ax1.text(xMid, yMid, txtString, va="center", ha="center", rotation=30)
    
   """
   函数说明:绘制决策树
   Parameters:
       myTree - 决策树(字典)
       parentPt - 标注的内容
       nodeTxt - 结点名
   """
   def plotTree(myTree, parentPt, nodeTxt):
       decisionNode = dict(boxstyle="sawtooth", fc="0.8")                                        #设置结点格式
       leafNode = dict(boxstyle="round4", fc="0.8")                                            #设置叶结点格式
       numLeafs = getNumLeafs(myTree)                                                          #获取决策树叶结点数目，决定了树的宽度
       depth = getTreeDepth(myTree)                                                            #获取决策树层数
       firstStr = next(iter(myTree))                                                            #下个字典                                                 
       cntrPt = (plotTree.xOff + (1.0 + float(numLeafs))/2.0/plotTree.totalW, plotTree.yOff)    #中心位置
       plotMidText(cntrPt, parentPt, nodeTxt)                                                    #标注有向边属性值
       plotNode(firstStr, cntrPt, parentPt, decisionNode)                                        #绘制结点
       secondDict = myTree[firstStr]                                                            #下一个字典，也就是继续绘制子结点
       plotTree.yOff = plotTree.yOff - 1.0/plotTree.totalD                                        #y偏移
       for key in secondDict.keys():                               
           if type(secondDict[key]).__name__=='dict':                                            #测试该结点是否为字典，如果不是字典，代表此结点为叶子结点
               plotTree(secondDict[key],cntrPt,str(key))                                        #不是叶结点，递归调用继续绘制
           else:                                                                                #如果是叶结点，绘制叶结点，并标注有向边属性值                                             
               plotTree.xOff = plotTree.xOff + 1.0/plotTree.totalW
               plotNode(secondDict[key], (plotTree.xOff, plotTree.yOff), cntrPt, leafNode)
               plotMidText((plotTree.xOff, plotTree.yOff), cntrPt, str(key))
       plotTree.yOff = plotTree.yOff + 1.0/plotTree.totalD
    
   """
   函数说明:创建绘制面板
   Parameters:
       inTree - 决策树(字典)
   """
   def createPlot(inTree):
       fig = plt.figure(1, facecolor='white')                                                    #创建fig
       fig.clf()                                                                                #清空fig
       axprops = dict(xticks=[], yticks=[])
       createPlot.ax1 = plt.subplot(111, frameon=False, **axprops)                                #去掉x、y轴
       plotTree.totalW = float(getNumLeafs(inTree))                                            #获取决策树叶结点数目
       plotTree.totalD = float(getTreeDepth(inTree))                                            #获取决策树层数
       plotTree.xOff = -0.5/plotTree.totalW; plotTree.yOff = 1.0;                                #x偏移
       plotTree(inTree, (0.5,1.0), '')                                                            #绘制决策树
       plt.show()                                                                                 #显示绘制结果     
   if __name__ == '__main__':
       dataSet, labels = createDataSet()
       featLabels = []
       myTree = createTree(dataSet, labels, featLabels)
       print(myTree)  
       createPlot(myTree)
   

   
   整个构建决策树的过程，重点理解如何进行信息增益的求。除此之外，需要理解递归的过程。

参考链接

1. 机器学习实战教程（二）：决策树基础篇之让我们从相亲说起 | Jack Cui
2. 机器学习实战教程（三）：决策树实战篇之为自己配个隐形眼镜