决策树是一个基本回归和分类的算法
决策树的优点:
1.易于理解和解释,并且可以可视化。
2.几乎不需要数据预处理。决策树还不支持缺失值。
3.可以同时处理数值变量和分类变量。其他方法大都适用于分析一种变量的集合。
4.可以处理多值输出变量问题。
决策树的缺点:
决策树学习可能创建一个过于复杂的树,也就是过拟合(overfitting)但是我们可以通过修剪决策树,合并相邻的无法产生大量信息增益的叶节点来消除过度匹配的问题。
构建决策树通常进行三个步骤:特征的选择,生成决策树,执行决策树并修剪。
特征选择:
在此使用基本的ID3算法来构造决策树(此外还有C4.5和CART),划分数据集的原则就是将标签无序的数据分得更加有序。
我们将数据集在划分前后发生的变化称为信息增益,那么可以计算在每个特征下划分数据集的信息增益,信息增益最大的那个特征就是当前最佳的划分特征。从信息论中公式得知要计算信息增益首先要计算数据集的经验熵(又称香农熵):
假设我们有一个数据集,每个数据都有四个特征,每个特征都有其相应特征值的集合;最后有一个关于该数据的分类结果,通常将其称为标签。对此数据集构建决策树,实现利用该决策树对未知标签的数据进行预测。
(年龄0,1,2代表青年中年老年,信贷情况0,1,2代表一般良好优秀)
年龄 有工作 有房产 信贷情况 是否贷款
0 0 0 0 不贷
0 0 0 1 不贷
0 1 0 1 贷款
0 1 1 0 贷款
0 0 0 0 不贷
1 0 0 0 不贷
1 0 0 1 不贷
1 1 1 1 贷款
1 0 1 2 贷款
1 0 1 2 贷款
2 0 1 2 贷款
2 0 1 1 贷款
2 1 0 1 贷款
2 1 0 2 贷款
2 0 0 0 不贷
对其进行经验熵和信息增益的计算选择当前最佳的分类特征:
import numpy as np
import math
def calcuent(datase