机器学习之决策树-python实现

前言

决策树，顾名思义，就是用来产生决策的树，我们通过数据的属性特征来构造这棵树。相比于K近邻算法，决策树的主要优势在于数据形式非常容易理解。决策树的一个很重要的任务就是理解数据中所蕴含的知识信息，从数据中提取出一系列规则的过程，也就是决策树构建的过程、机器学习的过程。
　　决策树算法是随机森林等集成学习算法的基础，最基本的决策树没有反馈，没有修正，就是简单的输入训练集，得出一个可以应对其他不同数据集的分类方法。目前常用的决策树算法有ID3算法、改进的C4.5算法和CART算法。在本篇blog中，我着重介绍决策树的思想和实现过程，以及实现过程中的一些思考。代码学习自《机器学习实战》，代码很规范很高效，我感觉值得深入挖掘其思想。
　　想必大家都知道周志华老师的《机器学习》一书，俗称西瓜书，书中在讲决策树的时候，用的也是如何买瓜的数据，如下图所示。树中的内部节点表示某个属性，节点引出的分支表示此属性的所有可能的值，叶子节点表示最终的判断结果也就是分类后的类型。

那么在考虑一棵决策树的时候，我认为有以下两点需要注意一下：

递归返回

因为决策树的生成是一个递归的过程，那么终止递归的条件需要思考：

• 当前结点包含的样本全属于同一类别，无需划分；
• 当前属性集为空，或者所有样本在所有属性集上取值相同，无法划分；
• 当前结点包含的样本集合为空，不能划分。

划分选择

决策树学习的关键是如何选择最优化分属性。一般而言，随着划分过程的不断进行，我们希望决策树的分支节点所包含的样本尽量属于同一类别，即结点的“纯度”越来越高。度量节点“纯度”的方法有多种，我们先介绍信息增益。

信息增益

信息增益是信息熵的有效减少量，那信息熵又是什么呢？信息熵定义为信息的期望值，那信息又是怎么定义的呢？让我们一步一步来解释。
　　如果待分类的事务可能划分在多个分类之中，则符号$$x_i$$的信息定义为：

$$ l(x_i) = -log_2p(x_i) $$

其中 $$p(x_i)$$ 是选择该分类的概率。
　　信息熵(information entropy)是度量样本集合纯度最常用的一种指标，若$ x_i $ 构成样本集合D，那么，D的信息熵定义如下，Ent值越小，纯度越高。计算信息熵时约定：若$ p=0 $,则$ plog_2p = 0$。

$$ Ent(D) = - \sum_{k=1}^{|y|} p_klog_2p_k $$ 　　我们要计算出当前属性集合中每一个属性的信息增益，选出最大的那一个作为当前的结点，然后再对该结点进行划分。 　　ID3算法就是利用信息增益进行属性集合的划分，C4.5算法则是使用了信息增益率，CART算法使用基尼指数来选择划分属性。

python代码实现

声明测试数据

def createDataSet():
    dataSet = [[1, 1, 'yes'],
               [1, 1, 'yes'],
               [1, 0, 'no'],
               [0, 1, 'no'],
               [0, 1, 'no']]
    labels = ['no surfacing', 'flippers']
    return dataSet, labels

导入相应包

from math import log
import operator

计算给定数据集的信息熵

def compute_Shang(dataSet):
    num = len(dataSet)   # 由于代码中多次用到该值，为提高效率，显式地声明一个变量保存实例总数
    labelCounts = {}  # 定义一个字典
    for featVec in dataSet:
        currentLabel = featVec[-1]   # 该条数据的标签
        if currentLabel not in labelCounts.keys():
            labelCounts[currentLabel] = 0  # 在label统计数组中加一条总数值为0的记录
        labelCounts[currentLabel] += 1       # 统计各个标签的总次数
    Shang = 0.0
    for key in labelCounts:
        prob = float(labelCounts[key])/num
        Shang -= prob * log(prob, 2)
    return Shang

按照给定特征划分数据集

跟每个介绍决策树的章节一样，我们需要选定某一个特征，然后对其他剩下的信息，根据label进行划分，从而计算熵，在下面这个函数中，我们只做了把该特征拿出来，返回其他的信息。

def splitDataSet(dataSet, axis, value):
    """
    para：带划分的数据集、划分数据集的特征、需要返回的特征值
    Note that：python在函数中传递的是列表的引用，在函数内部对列表对象的修改，将会影响该列表对象的
    整个生命周期。为了消除这个不良影响，我们需要在函数的开始声明一个新列表对象。因为该函数代码在
    同一个数据集上被调用多次，为了不修改原始数据集，创建一个新的列表对象。
    """
    retDataSet = []                    #
    for featVec in dataSet:
        if featVec[axis] == value:
            reduceFeatVec = featVec[:axis]
            reduceFeatVec.extend(featVec[axis+1:])   # 将要寻找的索引栏空出来，输出其他特征及标签
            retDataSet.append(reduceFeatVec)   # [1,2,3],[4,5,6]  extend：[1,2,3,4,5,6] append:[1,2,3,[4,5,6]]
    return retDataSet

选择最好的数据集划分方式

在这个函数中，我们算出在一个层次中的最好的数据集划分方式，也就是找出最合适的特征。set(featList)选择出所有的不同特征，循环遍历，计算在这个特征充当划分结点时，整体的信息熵，最后比较出最合适的特征并返回。

def chooseBestFeatureToSplit(dataSet):
    num_Features = len(dataSet[0]) - 1  # 定义特征的数量
    base_Entropy = compute_Shang(dataSet)
    bestInfoGain = 0.0
    bestFeature = -1
    for i in range(num_Features):             # 迭代所有的特征
        featList = [example[i] for example in dataSet]     # 这个特征下所有的样例 [1,1,1,1,0,0] [1,1,1,0,1,1]
        uniqueVals = set(featList)  # set去掉重复
        newEntropy = 0.0
        for value in uniqueVals:
            subDataSet = splitDataSet(dataSet, i, value)   #  i + value : 00 01 10 11
            # print(subDataSet)
            prob = len(subDataSet)/float(len(dataSet))   # 对应公式
            newEntropy += prob * compute_Shang(subDataSet)    # 对应公式
        infoGain = base_Entropy - newEntropy
        if (infoGain > bestInfoGain):
            bestInfoGain = infoGain
            bestFeature = i
    return bestFeature

投票表决

在训练过程中我们有时会遇到这样的情况：如果数据集处理完了所有的属性，但是类标签依然不是唯一的，此时我们需要决定如何定义该叶子节点。这是，我们采用“多数表决”的方法决定该叶子节点的分类。

def majorityCnt(classList):
    classCount = {}
    for vote in classList:
		# classList存储了每个类标签出现的频率
        if vote not in classCount.keys():
            classCount[vote] = 0
        classCount[vote] += 1
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    # python3中，要将iteritems变为items
    return sortedClassCount[0][0]

创建树

def createTree(dataSet, labels):
    """
    Note that：del是python内置的关键字（比如import, return等都是python的关键字），并不是python的内置函数
    （内置函数有range（）， sorted（）等等），del的作用是删除一个对象，不仅可以删除list中的某一个元素，
    也可以删除一个list,一个变量，或者类的实例
    """
    classList = [example[-1] for example in dataSet]
    # 递归停止的第一个条件：所有类标签完全相同
    if classList.count(classList[0]) == len(classList):
        return classList[0]
    # 递归停止的第二个条件是：使用完了所有特征，仍然不能把所有数据集划分成仅包含唯一类别的分组
    if len(dataSet[0]) == 1:
        return majorityCnt(classList)  # 返回出现次数最多的类别
    bestFeat = chooseBestFeatureToSplit(dataSet)
    bestFeatLabel = labels[bestFeat]
    myTree = {bestFeatLabel: {}}
    del(labels[bestFeat])
    featValues = [example[bestFeat] for example in dataSet]
    uniqueVals = set(featValues)
    for value in uniqueVals:
        subLabels = labels[:]
        myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value), subLabels)
    return myTree

测试案例

mydata, labels = trees.createDataSet()
print(trees.createTree(mydata, labels))

结果：

{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}}

Matplotlib绘制决策树

matplotlib并没有提供决策树绘制接口，所以需要自己来实现，因为决策树的主要优势是直观，而且易于理解，如果不能把它直观的显示出来，就无法发挥其优势。而且我们需要写一个通用的代码，能一直为不同决策树提供接口的代码。
　　首先我们先来了解一下matplotlib的注解工具annotation，它可以在数据图形上添加文本注解。

import matplotlib.pyplot as plt
# 定义文本框和箭头格式，dict用来创建空字典
decisionNode = dict(boxstyle="sawtooth",  fc="0.8")
leafNode = dict(boxstyle="round4", fc="0.8")
arrow_args = dict(arrowstyle="<-")
# 绘制带箭头的注解
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)

绘制树的主函数

def createPlot():
    fig = plt.figure(1, facecolor='white')
    fig.clf()
    createPlot.axl = plt.subplot(111, frameon=False)
    plotNode('决策节点', (0.5, 0.1), (0.1, 0.5), decisionNode)
    plotNode('叶节点', (0.8, 0.1), (0.3, 0.8), leafNode)
    plt.show()

运行示例：createPlot()结果如下：

构造注解树

初始化一个树结构

def retrieveTree(i):
    listOfTrees =[{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}},
                  {'no surfacing': {0: 'no', 1: {'flippers': {0: {'head': {0: 'no', 1: 'yes'}}, 1: 'no'}}}}
                  ]
    return listOfTrees[i]

获取叶节点数目和树的深度

我们需要知道有多少叶节点，以便确定x轴的长度。需要知道有多少层，以便确定y轴长度。
　　用递归思想来得到叶节点个数和树的深度，递归停止的条件是输入到函数中的参数不再是dict类型，意味着不再拥有子节点，即为叶节点。所以一旦到达叶节点，则从递归调用中返回执行else语句，num加一。同理树的深度也是这样。

def getNumLeafs(myTree):
    numLeafs = 0
    firstStr = list(myTree.keys())[0]    # py2: 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

def getTreeDepth(myTree):
    maxDepth = 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
            thisDepth = 1 + getTreeDepth(secondDict[key])
        else:
            thisDepth = 1
        if thisDepth > maxDepth:
            maxDepth = thisDepth
    return maxDepth

plotTree函数

# 在父节点和子节点之间添加文本信息
def plotMidText(cntrPt, parentPt, txtString):
    xMid = (parentPt[0]-cntrPt[0])/2.0 + cntrPt[0]
    yMid = (parentPt[1]-cntrPt[1])/2.0 + cntrPt[1]
    createPlot.ax1.text(xMid, yMid, txtString, va="center", ha="center", rotation=30)

def plotTree(myTree, parentPt, nodeTxt): # if the first key tells you what feat was split on
    numLeafs = getNumLeafs(myTree)  # this determines the x width of this tree
    depth = getTreeDepth(myTree)
    firstStr = list(myTree.keys())[0]     # the text label for this node should be this
    cntrPt = (plotTree.xOff + (1.0 + float(numLeafs))/2.0/plotTree.totalW, plotTree.yOff)
    plotMidText(cntrPt, parentPt, nodeTxt)
    plotNode(firstStr, cntrPt, parentPt, decisionNode)
    secondDict = myTree[firstStr]
    plotTree.yOff = plotTree.yOff - 1.0/plotTree.totalD
    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
            plotTree(secondDict[key], cntrPt, str(key))        # recursion
        else:   # it's a leaf node print the leaf node
            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
# if you do get a dictonary you know it's a tree, and the first element will be another dict

使用函数得到最终效果如下：

决策树用于示例测试

测试集模块

其实上述分析与代码构建就是决策树源码的一部分构建过程，下面我们来构建测试集的测试代码。其实测试的过程很简单，就是将待测试的数据，沿着建好的树遍历，直到到达叶节点，返回求证。具体的代码解释见注释。

# 测试 使用特征标签特征列表
def classify(inputTree, featLabels, testVec):
    firstStr = list(inputTree.keys())[0]  # 取出当前树(json)中的第一个key
    secondDict = inputTree[firstStr]  # 第一个key对应的值（key-value）
    featIndex = featLabels.index(firstStr)  # 第一个key是第几个特征？返回index
    key = testVec[featIndex]  # 取出待分类行数据中的该特征的具体值
    valueOfFeat = secondDict[key]  # 这一层的value,也就是准备下一层的key
    if isinstance(valueOfFeat, dict):  # 比较testVec中的值与树节点的值，如果到达叶子节点，则返回当前节点的分类标签
        classLabel = classify(valueOfFeat, featLabels, testVec)
    else:
        classLabel = valueOfFeat
    return classLabel

测试demo

myDat, labels = trees.createDataSet()
myTree = treePlotter.retrieveTree(0)
print(trees.classify(myTree, labels, [1,0]))

综合案例

本数据集包含90个数据（训练集），分为2类，每类45个数据，每个数据4个属性：

• Sepal.Length（花萼长度），单位是cm;
• Sepal.Width（花萼宽度），单位是cm;
• Petal.Length（花瓣长度），单位是cm;
• Petal.Width（花瓣宽度），单位是cm;

分类种类： Iris Setosa（山鸢尾）、Iris Versicolour（杂色鸢尾），部分数据如下：

　　注意：需要重新定义一下labels，因为前面的labels在经过createTree函数时，del了递归中的所有最优label，剩下的就是没有用到的标签，所以需要重新定义一下。

import trees
import treePlotter

a = []
train_data = []
count = 0
# 切分训练集
with open(r"C:\\Users\\Administrator\\Desktop\\第一次作业 (1)\\第一次作业\\Iris.txt", "r") as f:
    for line in f.readlines():
        count = count + 1
        if 41 < count < 52:
            pass
        else:
            line = line.strip('\n')
            train_data.append(line)
            train_data[-1] = train_data[-1].split(",")
    f.close()
# 总的数据集
with open(r"C:\\Users\\Administrator\\Desktop\\第一次作业 (1)\\第一次作业\\Iris.txt", "r") as f:
    for line in f.readlines():
        line = line.strip('\n')
        a.append(line)
        a[-1] = a[-1].split(",")

print("train_data:")
print(train_data)
# 切分测试集
test_data = a[41:51]
# 定义标签
labels = ['Sepal.Length', 'Sepal.Width', 'Petal.Length', 'Petal.Width']

myTree = trees.createTree(train_data, labels)
print(labels)
# 输出树的结构
print(myTree)
# 树结构反馈在图表中
treePlotter.createPlot(myTree)
# 测试如下
# classify(inputTree, featLabels, testVec)
test_data_feat = []
test_data_label = []
for i in range(len(test_data)):
    test_data_feat.append(test_data[i][0:4])
    test_data_label.append(test_data[i][-1])

test_labels = []
# 需要重新定义一下labels，因为前面的labels在经过createTree函数时，del了递归中的所有最优label，剩下的就是没有用到的标签，所以需要重新定义一下。
labels = ['Sepal.Length', 'Sepal.Width', 'Petal.Length', 'Petal.Width']
for i in range(len(test_data)):
    test_labels.append(trees.classify(myTree, labels, test_data_feat[i]))

count2 = 0
for i in range(len(test_data)):
    if test_labels[i] != test_data_label[i]:
        count2 = count2 + 1
print("Accuracy:")
print((len(test_data) - count2) / len(test_data))