一、决策树的构造
1.决策树
优点:计算复杂度不高,输出结果易于理解,对中间值的缺失不敏感,可以处理不相关特征数据。
缺点:可能会产生过度匹配问题。
适用数据类型:数值型和标称型。
2.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来离散化。
(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。
二.ID3算法
2.1信息增益
在划分数据集之前之后信息发生的变化称为信息增益。计算每个特征值划分数据集获得的信息增益,获得信息增益最高的特征就是最好的选择。而集合信息的度量方式称为香农熵。
如果待分类的事务可能划分在多个分类之中,则符号xi的信息定义为:
l(xi)=-log₂p(xi)
其中p(xi)是选择该分类的概率。
为了计算熵,需要计算所有类别所有可能包含的信息期望值,公式为:
H = -∑p(xi)㏒₂p(xi)
其中n是分类的数目。
2.2代码实现
# 计算给定数据集的香农熵
def calcShannonEnt(dataSet):
# 返回数据集行数
numEntries = len(dataSet)
# 保存每个标签(label)出现次数的字典
labelCounts = {}
# 对每组特征向量进行统计
for featVec in dataSet: # the the number of unique elements and their occurance
# 提取标签信息
currentLabel = featVec[-1]
# 如果标签没有放入统计次数的字典,添加进去
if currentLabel not in labelCounts.keys(): labelCounts[currentLabel] = 0
# label计数
labelCounts[currentLabel] += 1
shannonEnt = 0.0
# 计算香农熵
for key in labelCounts:
# 选择该标签的概率
prob = float(labelCounts[key]) / numEntries
shannonEnt -= prob * log(prob, 2) # log base 2
# shannonEnt:信息增益最大特征的索引值
return shannonEnt
2.3划分数据集
将对每个特征分数据集的结果计算一次信息熵,然后判断按照哪个特征划分数据集。
# 按照给定特征划分数据集
def splitDataSet(dataSet, axis, value):
retDataSet = []
for featVec in dataSet:
if featVec[axis] == value:
reducedFeatVec = featVec[:axis] # chop out axis used for splitting
reducedFeatVec.extend(featVec[axis + 1:])
retDataSet.append(reducedFeatVec)
return retDataSet
# 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
3.3选择最好的数据集划分方式
# 选择最好的数据集划分方式
def chooseBestFeatureToSplit(dataSet):
# 特征数量
numFeatures = len(dataSet[0]) - 1 # the last column is used for the labels
# 计数数据集的香农熵
baseEntropy = calcShannonEnt(dataSet)
# 信息增益
bestInfoGain = 0.0;
# 最优特征的索引值
bestFeature = -1
# 遍历所有特征
for i in range(numFeatures): # iterate over all the features
# 获取dataSet的第i个所有特征
featList = [example[i] for example in dataSet] # create a list of all the examples of this feature
# 创建set集合{},元素不可重复
uniqueVals = set(featList) # get a set of unique values
newEntropy = 0.0
# 计算信息增益
for value in uniqueVals:
# subDataSet划分后的子集
subDataSet = splitDataSet(dataSet, i, value)
# 计算子集的概率
prob = len(subDataSet) / float(len(dataSet))
# 根据公式计算经验条件熵
newEntropy += prob * calcShannonEnt(subDataSet)
# 信息增益
infoGain = baseEntropy - newEntropy # calculate the info gain; ie reduction in entropy
# 打印每个特征的信息增益
# print("第%d个特征的增益为%.3f" % (i, infoGain))
if (infoGain > bestInfoGain): # compare this to the best gain so far
# 更新信息增益,找到最大的信息增益
bestInfoGain = infoGain # if better than current best, set to best
# 记录信息增益最大的特征的索引值
bestFeature = i
# 返回信息增益最大特征的索引值
return bestFeature # returns an integer
3.4递归构建决策树
从数据集构造决策树算法所需要的子功能模块工作原理:得到原始数据集,然后基于最好的属性值划分数据集,由于特征值一般多于两个,因此可能存在大于两个分支的数据集划分。第一次划分之后数据将被向下传递到树分支的下一个结点,在这个结点上,可以再次划分数据。因此可以采用递归处理数据集。
递归结束的条件是:程序遍历完所有划分数据集的属性,或者每个分支下的所有实例都具有相同的分类。
如果数据集已经处理了所有属性,但是类标签依然不是唯一的,此时需要决定如何定义该叶子节点,一般采用多数表决的方法来决定该叶子节点的分类。
def majorityCnt(classList):
classCount = {}
# 统计classList中每个元素出现的次数
for vote in classList:
if vote not in classCount.keys(): classCount[vote] = 0
classCount[vote] += 1
# 根据字典的值降序排列
sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)
return sortedClassCount[0][0]
该函数使用分类名称的列表,然后创建键值为classList中唯一值的数据字典,字典对象存储了classList中每个标签出现的频率,最后利用operator操作键值排序字典,并返回出现次数最多的分类名称。
# 创建树的函数代码
def createTree(dataSet, labels):
# 取分类标签
classList = [example[-1] for example in dataSet]
# 如果类别完全相同,则停止继续划分
if classList.count(classList[0]) == len(classList):
return classList[0]
# 遍历完所有特征时返回出现次数最多的类标签
if len(dataSet[0]) == 1: #当数据集中没有更多特征时停止拆分
return majorityCnt(classList)
# 选择最优特征
bestFeat = chooseBestFeatureToSplit(dataSet)
# 最优特征的标签
bestFeatLabel = labels[bestFeat]
# 根据最优特征的标签生成树
myTree = {bestFeatLabel: {}}
# 删除已经使用的特征标签
del (labels[bestFeat])
# 得到训练集中所有最优特征的属性值
featValues = [example[bestFeat] for example in dataSet]
# 去掉重复的属性值
uniqueVals = set(featValues)
# 遍历特征,创建决策树
for value in uniqueVals:
subLabels = labels[:] # copy all of labels, so trees don't mess up existing labels
myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value), subLabels)
return myTree
3.5算法训练和测试
数据集:
输出决策树:
三、决策树的可视化
3.1Matplotlib注解
import matplotlib.pyplot as plt
decisionNode = dict(boxstyle="sawtooth", fc="0.8")
leafNode = dict(boxstyle="round4", fc="0.8")
arrow_args = dict(arrowstyle="<-")
# 绘制节点
# 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):
createPlot.ax1.annotate(nodeTxt, xy=parentPt, xycoords='axes fraction',
xytext=centerPt, textcoords='axes fraction',
va="center", ha="center", bbox=nodeType, arrowprops=arrow_args)
# 创建绘制面板
# inTree - 决策树(字典)
def createPlot(inTree):
# 创建fig
fig = plt.figure(1, facecolor='white')
# 清空fig
fig.clf()
axprops = dict(xticks=[], yticks=[])
# 去掉x、y轴
createPlot.ax1 = plt.subplot(111, frameon=False, **axprops)
# 获取决策树叶结点数目
plotTree.totalW = float(getNumLeafs(inTree))
# 获取决策树层数=
plotTree.totalD = float(getTreeDepth(inTree))
# x偏移
plotTree.xOff = -0.5 / plotTree.totalW;
plotTree.yOff = 1.0;
# 绘制决策树
plotTree(inTree, (0.5, 1.0), '')
# 显示绘制结果
plt.show()
代码定义了树节点格式的常量,然后plotNode()函数执行了实际的绘图功能,而createPlot()函数首先创建了一个新图形并清空绘图区,然后在绘图区上绘制代表两个不同类型的树节点。
3.2构造注解树
必须知道有多少个叶节点,以便确定x轴的长度,还需要知道树有多少层,用以确定y轴的高度。
# 获取叶节点的数目
# myTree:决策树
def getNumLeafs(myTree):
numLeafs = 0
firstStr = list(myTree.keys())[0]
secondDict = myTree[firstStr]
for key in secondDict.keys():
if type(secondDict[
key]).__name__ == 'dict': # test to see if the nodes are dictonaires, if not they are leaf nodes
numLeafs += getNumLeafs(secondDict[key])
else:
numLeafs += 1
return numLeafs
# 获取决策树的层数
# maxDepth:决策树的层数
def getTreeDepth(myTree):
# 初始化决策树深度
maxDepth = 0
firstStr = list(myTree.keys())[0]
# 获取下一个字典
secondDict = myTree[firstStr]
for key in secondDict.keys():
# 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
if type(secondDict[
key]).__name__ == 'dict': # test to see if the nodes are dictonaires, if not they are leaf nodes
thisDepth = 1 + getTreeDepth(secondDict[key])
else:
thisDepth = 1
# 更新层数
if thisDepth > maxDepth: maxDepth = thisDepth
return maxDepth
输出决策树的可视化图像:
3.3测试算法
这里使用函数将数据集里的奇数行数据作为测试集。
def file_test(filename): # 取数据集的奇数作为测试集
fr = open(filename)
lines = fr.readlines()
# print(lines)
res = []
i = 0
for line in lines:
line = line.strip()
temp = line.split(",")
if i % 2 == 1: # 取总数据集里的奇数
res.append(temp)
i += 1
labels = ['shoot', 'threePoint', 'block', 'assist', 'point', 'strong', 'vsudu']
return res, labels
四、C4.5算法
采用信息增益率来构建决策树。
def GainRatio(dataSet): # 选择信息增益率最大的属性
numFeatures = len(dataSet[0]) - 1
baseEntropy = calcShannonEnt(dataSet)
bestGainRatio = 0.0 # 最佳信息增益率
bestFeature = -1
for i in range(numFeatures):
featList = [example[i] for example in dataSet]
uniqueVals = set(featList)
splitInfo = 0.0 # 信息分类率
newEntropy = 0.0
for value in uniqueVals:
subdataSet = splitdataSet(dataSet, i, value)
prob = len(subdataSet) / float(len(dataSet))
newEntropy += prob * calcShannonEnt(subdataSet)
splitInfo -= prob * log(prob, 2)
infoGain = baseEntropy - newEntropy
if splitInfo == 0.0: # 预防除数为0的情况
gainratio = 0.0
else:
gainratio = infoGain / splitInfo # 信息增益率计算
if gainratio > bestGainRatio:
bestGainRatio = gainratio
bestFeature = i
return bestFeature
测试C4.5算法:
五、CART算法
采用基尼指数来构建决策树。
def countProb(subdataSet): #计算基尼指数
num=len(subdataSet)
featCount=0
feat=subdataSet[0][-1]
for i in subdataSet:
if i[-1]==feat:
featCount+=1
prob=float(featCount)/num
return prob
def GiniIndex(dataSet):
# 计算以特征A为分割的最小基尼指数
dataSetLen=len(dataSet)
numFeatures = len(dataSet[0]) - 1
bestGini = 1.0 # 初始基尼指数
bestFeature = -1
for i in range(numFeatures):
featList = [example[i] for example in dataSet]
uniqueVals = set(featList)
giniSplit=0.0
for value in uniqueVals:
subdataSet = splitdataSet(dataSet, i, value)
prob=countProb(subdataSet) # 计算p值
featSplit=featList.count(value)
newGiniPercent=float(featSplit)/dataSetLen # 计算该value的占比
giniSplit+=newGiniPercent*2*prob*(1-prob)
if giniSplit < bestGini:
bestGini = giniSplit
bestFeature = i
return bestFeature
测试CART算法: