决策树挑出好西瓜：纯算法

最新推荐文章于 2023-11-14 14:57:30 发布
最新推荐文章于 2023-11-14 14:57:30 发布
阅读量338 收藏 1
点赞数
文章标签： 决策树 算法 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_46132489/article/details/121182652
版权

决策树挑出好西瓜：纯算法

一、理论知识

  1. 纯度（purity）
    对于一个分支结点，如果该结点所包含的样本都属于同一类，那么它的纯度为1，而我们总是希望纯度越高越好，也就是尽可能多的样本属于同一类别。那么如何衡量“纯度”呢？由此引入“信息熵”的概念。

  2. 信息熵（information entropy）
    假定当前样本集合D中第k类样本所占的比例为pk（k=1,2,…,|y|），则D的信息熵定义为：

         Ent(D) = -∑k=1 pk·log2 pk    （约定若p=0，则log2 p=0）

显然，Ent(D)值越小，D的纯度越高。因为0<=pk<= 1,故log2 pk<=0，Ent(D)>=0. 极限情况下，考虑D中样本同属于同一类，则此时的Ent(D)值为0（取到最小值）。当D中样本都分别属于不同类别时，Ent(D)取到最大值log2 |y|.

  1. 信息增益（information gain）
    假定离散属性a有V个可能的取值{a1,a2,…,aV}. 若使用a对样本集D进行分类，则会产生V个分支结点，记Dv为第v个分支结点包含的D中所有在属性a上取值为av的样本。不同分支结点样本数不同，我们给予分支结点不同的权重：|Dv|/|D|, 该权重赋予样本数较多的分支结点更大的影响、由此，用属性a对样本集D进行划分所获得的信息增益定义为：

       Gain(D,a) = Ent(D)-∑v=1 |Dv|/|D|·Ent(Dv)

其中，Ent(D)是数据集D划分前的信息熵，∑v=1 |Dv|/|D|·Ent(Dv)可以表示为划分后的信息熵。“前-后”的结果表明了本次划分所获得的信息熵减少量，也就是纯度的提升度。显然，Gain(D,a) 越大，获得的纯度提升越大，此次划分的效果越好。

  1. 增益率(gain ratio)
    基于信息增益的最优属性划分原则——信息增益准则，对可取值数据较多的属性有所偏好。C4.5算法使用增益率替代信息增益来选择最优划分属性，增益率定义为：

       Gain_ratio(D,a) = Gain(D,a)/IV(a)

其中

       IV(a) = -∑v=1 |Dv|/|D|·log2 |Dv|/|D|

称为属性a的固有值。属性a的可能取值数目越多（即V越大），则IV(a)的值通常会越大。这在一定程度上消除了对可取值数据较多的属性的偏好。

事实上，增益率准则对可取值数目较少的属性有所偏好，C4.5算法并不是直接使用增益率准则，而是先从候选划分属性中找出信息增益高于平均水平的属性，再从中选择增益率最高的。

  1. 基尼指数(Gini index)
    CART决策树算法使用基尼指数来选择划分属性，基尼指数定义为：

      Gini(D) = ∑k=1 ∑k'≠1 pk·pk' = 1- ∑k=1  pk·pk

可以这样理解基尼指数：从数据集D中随机抽取两个样本，其类别标记不一致的概率。Gini(D)越小，纯度越高。

属性a的基尼指数定义：

 Gain_index(D,a) = ∑v=1 |Dv|/|D|·Gini(Dv)

使用基尼指数选择最优划分属性，即选择使得划分后基尼指数最小的属性作为最优划分属性。

二、代码实现

1.引入数据和需要用到的包

import numpy as np
import pandas as pd
import sklearn.tree as st
import math
data = pd.read_csv('./西瓜数据集.csv')
data

在这里插入图片描述

2.函数

（1）计算熵

def calcEntropy(dataSet):
    mD = len(dataSet)
    dataLabelList = [x[-1] for x in dataSet]
    dataLabelSet = set(dataLabelList)
    ent = 0
    for label in dataLabelSet:
        mDv = dataLabelList.count(label)
        prop = float(mDv) / mD
        ent = ent - prop * np.math.log(prop, 2)

    return ent

（2） 拆分数据集

# index - 要拆分的特征的下标
# feature - 要拆分的特征
# 返回值 - dataSet中index所在特征为feature，且去掉index一列的集合
def splitDataSet(dataSet, index, feature):
    splitedDataSet = []
    mD = len(dataSet)
    for data in dataSet:
        if(data[index] == feature):
            sliceTmp = data[:index]
            sliceTmp.extend(data[index + 1:])
            splitedDataSet.append(sliceTmp)
    return splitedDataSet

（3） 选择最好的特征

# 返回值 - 最好的特征的下标
def chooseBestFeature(dataSet):
    entD = calcEntropy(dataSet)
    mD = len(dataSet)
    featureNumber = len(dataSet[0]) - 1
    maxGain = -100
    maxIndex = -1
    for i in range(featureNumber):
        entDCopy = entD
        featureI = [x[i] for x in dataSet]
        featureSet = set(featureI)
        for feature in featureSet:
            splitedDataSet = splitDataSet(dataSet, i, feature)  # 拆分数据集
            mDv = len(splitedDataSet)
            entDCopy = entDCopy - float(mDv) / mD * calcEntropy(splitedDataSet)
        if(maxIndex == -1):
            maxGain = entDCopy
            maxIndex = i
        elif(maxGain < entDCopy):
            maxGain = entDCopy
            maxIndex = i

    return maxIndex

（4）寻找最多的，作为标签

# 返回值 - 标签
def mainLabel(labelList):
    labelRec = labelList[0]
    maxLabelCount = -1
    labelSet = set(labelList)
    for label in labelSet:
        if(labelList.count(label) > maxLabelCount):
            maxLabelCount = labelList.count(label)
            labelRec = label
    return labelRec

（5）生成树

def createFullDecisionTree(dataSet, featureNames, featureNamesSet, labelListParent):
    labelList = [x[-1] for x in dataSet]
    if(len(dataSet) == 0):
        return mainLabel(labelListParent)
    elif(len(dataSet[0]) == 1): #没有可划分的属性了
        return mainLabel(labelList)  #选出最多的label作为该数据集的标签
    elif(labelList.count(labelList[0]) == len(labelList)): # 全部都属于同一个Label
        return labelList[0]

    bestFeatureIndex = chooseBestFeature(dataSet)
    bestFeatureName = featureNames.pop(bestFeatureIndex)
    myTree = {bestFeatureName: {}}
    featureList = featureNamesSet.pop(bestFeatureIndex)
    featureSet = set(featureList)
    for feature in featureSet:
        featureNamesNext = featureNames[:]
        featureNamesSetNext = featureNamesSet[:][:]
        splitedDataSet = splitDataSet(dataSet, bestFeatureIndex, feature)
        myTree[bestFeatureName][feature] = createFullDecisionTree(splitedDataSet, featureNamesNext, featureNamesSetNext, labelList)
    return myTree

（6）初始化

# 返回值
# dataSet 数据集
# featureNames 标签
# featureNamesSet 列标签
def readWatermelonDataSet():
    dataSet = data.values.tolist()
    featureNames =['色泽', '根蒂', '敲击', '纹理', '脐部', '触感']
    #获取featureNamesSet
    featureNamesSet = []
    for i in range(len(dataSet[0]) - 1):
        col = [x[i] for x in dataSet]
        colSet = set(col)
        featureNamesSet.append(list(colSet))
    
    return dataSet, featureNames, featureNamesSet

（7）画图

# 能够显示中文
matplotlib.rcParams['font.sans-serif'] = ['SimHei']
matplotlib.rcParams['font.serif'] = ['SimHei']

# 分叉节点，也就是决策节点
decisionNode = dict(boxstyle="sawtooth", fc="0.8")

# 叶子节点
leafNode = dict(boxstyle="round4", fc="0.8")

# 箭头样式
arrow_args = dict(arrowstyle="<-")


def plotNode(nodeTxt, centerPt, parentPt, nodeType):
    """
    绘制一个节点
    :param nodeTxt: 描述该节点的文本信息
    :param centerPt: 文本的坐标
    :param parentPt: 点的坐标，这里也是指父节点的坐标
    :param nodeType: 节点类型,分为叶子节点和决策节点
    :return:
    """
    createPlot.ax1.annotate(nodeTxt, xy=parentPt, xycoords='axes fraction',
                            xytext=centerPt, textcoords='axes fraction',
                            va="center", ha="center", bbox=nodeType, arrowprops=arrow_args)


def getNumLeafs(myTree):
    """
    获取叶节点的数目
    :param myTree:
    :return:
    """
    # 统计叶子节点的总数
    numLeafs = 0

    # 得到当前第一个key，也就是根节点
    firstStr = list(myTree.keys())[0]

    # 得到第一个key对应的内容
    secondDict = myTree[firstStr]

    # 递归遍历叶子节点
    for key in secondDict.keys():
        # 如果key对应的是一个字典，就递归调用
        if type(secondDict[key]).__name__ == 'dict':
            numLeafs += getNumLeafs(secondDict[key])
        # 不是的话，说明此时是一个叶子节点
        else:
            numLeafs += 1
    return numLeafs


def getTreeDepth(myTree):
    """
    得到数的深度层数
    :param myTree:
    :return:
    """
    # 用来保存最大层数
    maxDepth = 0

    # 得到根节点
    firstStr = list(myTree.keys())[0]

    # 得到key对应的内容
    secondDic = myTree[firstStr]

    # 遍历所有子节点
    for key in secondDic.keys():
        # 如果该节点是字典，就递归调用
        if type(secondDic[key]).__name__ == 'dict':
            # 子节点的深度加1
            thisDepth = 1 + getTreeDepth(secondDic[key])

        # 说明此时是叶子节点
        else:
            thisDepth = 1

        # 替换最大层数
        if thisDepth > maxDepth:
            maxDepth = thisDepth

    return maxDepth


def plotMidText(cntrPt, parentPt, txtString):
    """
    计算出父节点和子节点的中间位置，填充信息
    :param cntrPt: 子节点坐标
    :param parentPt: 父节点坐标
    :param txtString: 填充的文本信息
    :return:
    """
    # 计算x轴的中间位置
    xMid = (parentPt[0]-cntrPt[0])/2.0 + cntrPt[0]
    # 计算y轴的中间位置
    yMid = (parentPt[1]-cntrPt[1])/2.0 + cntrPt[1]
    # 进行绘制
    createPlot.ax1.text(xMid, yMid, txtString)


def plotTree(myTree, parentPt, nodeTxt):
    """
    绘制出树的所有节点，递归绘制
    :param myTree: 树
    :param parentPt: 父节点的坐标
    :param nodeTxt: 节点的文本信息
    :return:
    """
    # 计算叶子节点数
    numLeafs = getNumLeafs(myTree=myTree)

    # 计算树的深度
    depth = getTreeDepth(myTree=myTree)

    # 得到根节点的信息内容
    firstStr = list(myTree.keys())[0]

    # 计算出当前根节点在所有子节点的中间坐标,也就是当前x轴的偏移量加上计算出来的根节点的中心位置作为x轴（比如说第一次：初始的x偏移量为：-1/2W,计算出来的根节点中心位置为：(1+W)/2W，相加得到：1/2），当前y轴偏移量作为y轴
    cntrPt = (plotTree.xOff + (1.0 + float(numLeafs))/2.0/plotTree.totalW, plotTree.yOff)

    # 绘制该节点与父节点的联系
    plotMidText(cntrPt, parentPt, nodeTxt)

    # 绘制该节点
    plotNode(firstStr, cntrPt, parentPt, decisionNode)

    # 得到当前根节点对应的子树
    secondDict = myTree[firstStr]

    # 计算出新的y轴偏移量，向下移动1/D，也就是下一层的绘制y轴
    plotTree.yOff = plotTree.yOff - 1.0/plotTree.totalD

    # 循环遍历所有的key
    for key in secondDict.keys():
        # 如果当前的key是字典的话，代表还有子树，则递归遍历
        if isinstance(secondDict[key], dict):
            plotTree(secondDict[key], cntrPt, str(key))
        else:
            # 计算新的x轴偏移量，也就是下个叶子绘制的x轴坐标向右移动了1/W
            plotTree.xOff = plotTree.xOff + 1.0/plotTree.totalW
            # 打开注释可以观察叶子节点的坐标变化
            # print((plotTree.xOff, plotTree.yOff), secondDict[key])
            # 绘制叶子节点
            plotNode(secondDict[key], (plotTree.xOff, plotTree.yOff), cntrPt, leafNode)
            # 绘制叶子节点和父节点的中间连线内容
            plotMidText((plotTree.xOff, plotTree.yOff), cntrPt, str(key))

    # 返回递归之前，需要将y轴的偏移量增加，向上移动1/D，也就是返回去绘制上一层的y轴
    plotTree.yOff = plotTree.yOff + 1.0/plotTree.totalD


def createPlot(inTree):
    """
    需要绘制的决策树
    :param inTree: 决策树字典
    :return:
    """
    # 创建一个图像
    fig = plt.figure(1, facecolor='white')
    fig.clf()
    axprops = dict(xticks=[], yticks=[])
    createPlot.ax1 = plt.subplot(111, frameon=False, **axprops)
    # 计算出决策树的总宽度
    plotTree.totalW = float(getNumLeafs(inTree))
    # 计算出决策树的总深度
    plotTree.totalD = float(getTreeDepth(inTree))
    # 初始的x轴偏移量，也就是-1/2W，每次向右移动1/W，也就是第一个叶子节点绘制的x坐标为：1/2W，第二个：3/2W，第三个：5/2W，最后一个：(W-1)/2W
    plotTree.xOff = -0.5/plotTree.totalW
    # 初始的y轴偏移量，每次向下或者向上移动1/D
    plotTree.yOff = 1.0
    # 调用函数进行绘制节点图像
    plotTree(inTree, (0.5, 1.0), '')
    # 绘制
    plt.show()

3.结果

dataSet, featureNames, featureNamesSet=readWatermelonDataSet()
testTree= createFullDecisionTree(dataSet, featureNames, featureNamesSet,featureNames)
createPlot(testTree)

在这里插入图片描述

三、参考文献

https://blog.csdn.net/qq_47281915/article/details/120928948?spm=1001.2014.3001.5501

https://blog.csdn.net/cxq_baby/article/details/97510434

卖車車的小火柴
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
C45决策树算法 C45决策树算法
04-15
C45决策树算法是机器学习领域中一种广泛使用的分类算法，它由Ross Quinlan在ID3算法的基础上发展而来，主要用于处理离散型数据。C45算法在分类问题中展现出高效、易于理解和解释的特点，使其成为数据挖掘和人工智能...
西瓜决策树-纯算法
醉意丶千层梦的博客
10-24 1148
文章目录ID3决策树算法一、理论二、代码实现1.引入数据和需要用到的包2.函数计算熵拆分数据集选择最好的特征寻找最多的，作为标签生成树初始化画图3.结果三、参考 ID3决策树算法 一、理论 纯度（purity） 对于一个分支结点，如果该结点所包含的样本都属于同一类，那么它的纯度为1，而我们总是希望纯度越高越好，也就是尽可能多的样本属于同一类别。那么如何衡量“纯度”呢？由此引入“信息熵”的概念。 信息熵（information entropy） 假定当前样本集合D中第k类样本所占的比例为pk（k=1,
决策树对西瓜数据集进行分类
weixin_64809211的博客
11-14 372
决策树: {4: {'凹陷': {0: {'青绿': '好瓜', '乌黑': '好瓜', '浅白': '坏瓜'}}, '稍凹': {2: {'浊响': {0: {'青绿': '好瓜', '乌黑': '好瓜'}}, '沉闷': '坏瓜'}}, '平坦': '坏瓜'}}['浅白', '蜷缩', '浊响', '清晰', '凹陷', '硬滑', '好瓜'] —— 坏瓜。['青绿', '稍蜷', '浊响', '稍糊', '凹陷', '硬滑', '坏瓜'] —— 好瓜。
决策树——CART
Dr_Jack的博客
05-31 247
CART分类回归树主要是通过灵活的分类方式，而不是死板的维度，对样本集进行划分，使用基尼系数计算分类后的信息增益，然后找到最大的增益方向并进行分类。
【机器学习（11）】决策树模型：CART分类及回归树可视化
lys_828的博客
03-05 3234
1. 决策树模型 1） 概念： 基于树形结构来拟合自变量与因变量之间的关系 2） 划分算法： 选择最佳划分特征及特征中最佳划分点位置的算法（三大类别）         ID3: 信息增益判断；         C4.5: 信息增益率判断；       &nb...
python机器学习数据建模与分析——决策树详解及可视化案例
一名在读大学生，正在学习深度学习，会定期分享一些该领域内容。欢迎大家一起交流学习~
03-21 3389
你是否玩过二十个问题的游戏，游戏的规则很简单:参与游戏的一方在脑海里想某个事物，其他参与者向他提问题，只允许提20个问题，问题的答案也只能用对或错回答。问问题的人通过推断分解，逐步缩小待猜测事物的范围。决策树的工作原理与20个问题类似，用户输人一系列数据，然后给出游戏的答案。我们经常使用决策树处理分类问题,近来的调查表明决策树也是最经常使用的数据挖掘算法。它之所以如此流行，一个很重要的原因就是使用者基本上不用了解机器学习算法，也不用深究它是如何工作的。
机器学习-决策树（以西瓜数据集为例）
03-30
同时，对于分类特征，我们需要进行编码，因为决策树算法通常无法处理非数值特征。例如，将颜色（如"绿"、"青"）转换为数字（如0、1）。 接下来，我们将数据集分为训练集和测试集。训练集用于训练决策树模型，而测试...
c4.5算法实现的决策树-采用西瓜数据集
04-02
C4.5算法是决策树学习中的一个经典算法，由Ross Quinlan开发，是对ID3算法的改进。它在处理连续属性和缺失值时表现出更强的灵活性。在这个项目中，我们将利用MATLAB来实现C4.5算法，并用西瓜数据集作为训练和测试的...
基于MapReduce实现决策树算法
08-25
基于MapReduce实现决策树算法的知识点 基于MapReduce实现决策树算法是一种使用MapReduce框架来实现决策树算法的方法。在这个方法中，主要使用Mapper和Reducer来实现决策树算法的计算。下面是基于MapReduce实现决策...
机器学习-基于决策树开发的分西瓜算法（西瓜书数据集）
最新发布
04-27
- 在这个实验中，我们将使用西瓜书数据集，首先进行数据预处理，然后选择合适的决策树算法，如CART，训练模型。 - 针对数据集的特点，可能需要对特征进行编码或者标准化处理，以便决策树算法能正确处理。 - 训练...
基于CART分类方法的决策树（机器学习）
公众号：风景邮递Yuan的博客
10-10 1483
CART 决策树，它是一棵决策二叉树，既可以做分类树，也可以做回归树。你需要记住的是，作为分类树，CART 采用基尼系数作为节点划分的依据，得到的是离散的结果，也就是分类结果；作为回归树，CART 可以采用最小绝对偏差（LAD），或者最小二乘偏差（LSD）作为节点划分的依据，得到的是连续值，即回归预测结果。D3 算法，基于信息增益做判断；C4.5 算法，基于信息增益率做判断；CART 算法，分类树是基于基尼系数做判断。
【机器学习】Java 代码实现 CART 决策树算法
热门推荐
知不足而奋进，望远山而前行
01-16 1万+
CART(classification and regression tree)树：又称为分类回归树，从名字可以发现，CART树既可用于分类，也可以用于回归。当数据集的因变量是离散值时，可以采用CART分类树进行拟合，用叶节点概率最大的类别作为该节点的预测类别。当数据集的因变量是连续值时，可以采用CART回归树进行拟合，用叶节点的均值作为该节点预测值。：一个枚举类，用来指示特征是数值型的还是字符型的。：CART 决策树算法对象。：训练数据集存放对象。
机器学习——CART决策树——泰坦尼克还生还预测
君莫笑的博客
04-16 3377
Scikit-learn库中实现的决策树的算法是优化的CART算法。分类决策树的类是DecisionTreeClassifier。
决策树（Decision Tree）
weixin_74754298的博客
07-22 840
划分过程中，每次选择Gini指数最小的特征进行划分，并将数据集按照该特征的取值分为两部分。3. 根据切分标准将数据集分割为两个子集：根据最佳切分特征和切分点，将数据集划分为两个子集，一个子集包含满足切分标准的样本，另一个子集包含不满足切分标准的样本。2. 选择最佳切分特征：根据某种指标（如信息增益、基尼系数等），计算每个特征的切分点，选择最佳的特征和切分点作为当前节点的切分标准。以上是常见的决策树构建方法，不同的算法在属性选择和剪枝策略上有所差异，选择适合问题需求的方法可以提高决策树的性能和准确度。
6. 决策树算法原理以及cart代码实现
weixin_43796012的博客
03-04 744
这篇博客介绍了CART决策树的原理以及如何使用Python编写代码来构建一个CART决策树模型，以诊断乳腺癌为例。文章首先介绍了决策树的基本概念和构建流程，然后详细讲解了CART决策树的原理，包括基尼系数、切分点选择、剪枝等内容。接着，文章以乳腺癌数据为例，自己编写了一个CART决策树分类器，并在该数据集上训练和测试，并使用后剪枝的方法提高模型的泛化能力。完整的实验代码在我的github上👉QYHcrossover/ML-numpy: 机器学习算法numpy实现 (github.com)欢迎star⭐。
决策树挑出好西瓜
weixin_47306453的博客
10-31 835
文章目录一、决策树1.概念2. 信息熵（information entropy）3. 信息增益（information gain）4. 增益率(gain ratio)5、代码实现6.绘制决策树二、用sk-learn库对西瓜数据集，分别进行ID3、C4.5和CART的算法代码实现。1. 基于信息增益准则（I D 3 ID3ID3或C 4.5 C4.5C4.5）方法建立决策树2. 基于基尼指数（C A R T CARTCART）建立决策树三、总结四、参考链接 一、决策树 1.概念 决策树是一种基于树结构来进行决
CART决策树算法Python实现 （人工智能导论作业）
m0_63323795的博客
11-13 2456
决策树是以树的结构将决策或者分类过程展现出来，其目的是根据若干输入变量的值构造出一个相适应的模型，来预测输出变量的值。预测变量为离散型时，为分类树；连续型时，为回归树。算法简介ID3使用信息增益作为分类标准 ，处理离散数据，仅适用于分类树。CART使用基尼系数作为分类标准，离散、连续数据均可，适用于分类树，回归树。C4.5使用信息增益和增益率相结合作为分类标准，离散、连续数据均可，但效率较低，适用于分类树C5.0是C4.5用于大数据集的拓展，效率较高。
python-sklearn数据分析-决策树（CART）分类（实战）
weixin_57501965的博客
08-30 3223
可以看到，该文件大小为61878*95，其中最后一列为目标标签；其中还发现该文件数据没有缺失值和重复值。最后一列是object类型，这里采用字典编码进行转换。相关可视化效果展示如下。
决策树与集成算法解析：信息熵与增益
"决策树与集成算法讲解" 决策树是一种常用的数据挖掘技术，它通过创建类似于流程图的树形结构来进行预测分析。这种模型能够直观地表示出一系列的决定步骤，从根节点开始，经过一系列的特征判断，最终达到叶子节点，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值