机器学习实战笔记（2）

机器学习实战笔记（2）

一、决策树

决策树的一个重要任务是为了数据中所蕴含的知识信息，因此决策树可以使用不熟悉的数据集合，并从中提取出一系列规则，在这些机器根据数据集创建规则时，就是机器学习的过程。

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，由于特征值可能多于两个，因此可能存在大于两个分支的数据集划分。然后第一次划分之后，数据将被向下传递到树分支的下一个节点，在这个节点上继续划分数据，采用递归原理处理数据集。递归结束的条件：程序遍历完所有划分数据集的属性（C4.5、CART并不在每次划分都消耗属性，后续将继续学习），或者每个分支下的所有实例都具有相同的分类。

1、信息增益

划分数据集的大原则是：将无序的数据变得更加有序。组织杂乱无章数据的一种方法是使用信息论度量信息（一种理解是：信息量的度量就等于不确定性的多少），在划分数据集之前之后信息发生的变化称为信息增益，获取信息增益最高的特征就是最好的选择。

香农熵公式：

（1）计算香农熵

def calcShannonEnt(dataSet):
    '''计算香农熵'''
    numEntries = len(dataSet)  # 数据总长度
    labelCounts = {}  # 存放 标签：出现次数 的字典
    for featVec in dataSet:
        currentLabel = featVec[-1]  # 获取当前标签
        if currentLabel not in labelCounts.keys(): labelCounts[currentLabel] = 0  # 尚不存在创建
        labelCounts[currentLabel] += 1  # 已存在次数+1
    shannonEnt = 0.0
    for key in labelCounts:
        prob = float(labelCounts[key])/numEntries  # p(x)
        shannonEnt -= prob * log(prob, 2)  # 以2为底求对数
    return shannonEnt

（2）按特征值划分数据集

def splitDataSet(dataSet, axis, value):
    '''划分数据集的（待划分的数据集，划分的特征，需要返回分特征值）'''
    retDataSet = []  # 待返回的新List对象
    for featVec in dataSet:
        if featVec[axis] == value:
            reducedFeatVec = featVec[:axis]  # 对符合划分条件的，
            reducedFeatVec.extend(featVec[axis+1:])  #  去掉该特征值，
            retDataSet.append(reducedFeatVec)  #  进行抽取.
    return retDataSet

• 注意： extend() 与append() 的区别

  a = [1,2,3] b = [4,5,6]

  a.extend(b) --> [1,2,3,4,5,6]

  a.append(b) --> [1,2,3,[4,5,6]]

  对划分功能的测试结果如下图所示：
  

  (3)选择最好的划分特征值

  def chooseBestFeatureToSplit(dataSet):
      numFeatures = len(dataSet[0]) - 1  # 除去最后一个labels，所有的特征值总数
      baseEntropy = calcShannonEnt(dataSet)  # 原始香农熵
      bestInfoGain = 0.0; bestFeature = -1
      for i in range(numFeatures):  # 遍历所有特征值
          featList = [example[i] for example in dataSet]  # 创建唯一的分类标签列表
          uniqueVals = set(featList)  # 利用{集合}保留该特征值下唯一的属性值
          newEntropy = 0.0
          for value in uniqueVals:  # 用唯一的属性值，对数据集划分一次
              subDataSet = splitDataSet(dataSet, i, value)
              prob = len(subDataSet)/float(len(dataSet))
              newEntropy += prob * calcShannonEnt(subDataSet)  # 对所有唯一特征值得到的熵求和
          infoGain = baseEntropy - newEntropy  # 计算信息增益
          if (infoGain > bestInfoGain):
              bestInfoGain = infoGain  # 选择最好的并更新
              bestFeature = i
      return bestFeature
  

  对myDat数据选择一次，结果如下：
  

  返回结果为0，说明经过计算后能确定该属性可获得当前最大的信息增益，是划分的最好属性。

  （4）递归构建决策树

  def createTree(dataSet, labels):
      '''递归构建决策树'''
      classList = [example[-1] for example in dataSet]
      if classList.count(classList[0]) == len(classList):  # 当前剩余的数据类别完全相同
          return classList[0]  # 停止划分
      if len(dataSet[0]) == 1:  # 所有属性处理完仍有不是同一分类，采用多数表决方法定义该分类
          return majorityCnt(classList)
      bestFeat = chooseBestFeatureToSplit(dataSet)
      bestFeatLabel = labels[bestFeat]
      myTree = {bestFeatLabel:{}}  # 存储决策树的字典
      del(labels[bestFeat])  # 处理完一个属性及时删去
      featValues = [example[bestFeat] for example in dataSet]
      uniqueVals = set(featValues)
      for value in uniqueVals:  # 对每一个分支进行下一次递归
          subLabels = labels[:]  # 复制一份当前的标签,注意使用切片拷贝
          myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value), subLabels)
      return myTree
  

对myDat数据构建决策树，结果如下图所示：