机器学习实战（三）

最新推荐文章于 2022-10-05 19:00:27 发布

voidmort

最新推荐文章于 2022-10-05 19:00:27 发布

阅读量378

点赞数 1

分类专栏：机器学习实战文章标签： python 机器学习

本文链接：https://blog.csdn.net/voidmort/article/details/116334046

版权

机器学习实战专栏收录该内容

15 篇文章 0 订阅

订阅专栏

title: 机器学习实战（三）
date: 2020-03-06 10:15:50
tags: [决策树, ID3]
categories: 机器学习实战
更多内容请关注我的博客

决策树的简介

你是否玩过二十个问题的游戏，就是你在脑海中想某个事物，向你提问二十个问题推测出你想的东西。这个游戏的原理和决策树类似，下面是一个判断垃圾邮件的决策树。

决策树的构造

决策树
优点：计算复杂度不高，输出的结果易于理解，对中间值的缺失不敏感，可以处理不相关特征的数据
缺点：可能会产生过度匹配的问题
适用数据类型：数值型和标称型

在构造决策树时，首先要确定哪些特征在划分数据分类时起到决定性的作用，为了划分出最好的结果，我们必须评估每个特征，创建分支的伪代码createBranch()函数如下

if so returen 类标签
else
    寻找划分数据集的最好特征
    划分数据集
    创建分支节点
        for 每个划分的子集
            调用函数createBranch并增加返回结果到分支节点中
    return 分支节点

上面的伪代码createBranch()是一个递归函数，在倒数第二行直接调用自己。

决策树的一般流程：

收集数据
准备数据
分析数据
训练算法
测试算法
使用算法

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，如何能知道数据是向有序的方向划分呢？方法有很多，这里的方法为香浓熵（其它方法还有基尼系数）。

熵的定义为信息的期望值，如果待分类的事物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 $p(x_i)$ 是选择分类的概率

为了计算熵，我们需要计算所有类别所有可能值包含的信息期望值，通过下面公式得到：

$-\sum_{i=1}^n p(x_i)\log_2p(x_i)$

其中n是分类的数目，下面用python计算信息熵

from math import log

def calcShannonEnt(dataSet):
    numEntries = len(dataSet)
    labelCounts = {}
    # 为所有可能分的类创建字典，如果类别已经记录，则记录当前类别出现的次数
    for featVec in dataSet:
        currentLabel = featVec[-1]
        if currentLabel not in labelCounts.keys():
            labelCounts[currentLabel] = 0
        labelCounts[currentLabel] += 1
    shannonEnt = 0.0
    # 计算每个类别的出现的概率，然后套入公式求出熵
    for key in labelCounts:
        prob = float(labelCounts[key]) / numEntries
        shannonEnt -= prob * log(prob, 2)
    return shannonEnt

下面创建了一个数据集测试一下

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

myDat, labels = createDataSet()

myDat

[[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']]

calcShannonEnt(myDat)

0.9709505944546686

熵越高，则混合的数据也越多，我们可以在数据集中添加更多的分类，观察熵是如何变化的，添加一个maybe的类别

myDat[0][-1]='maybe'
myDat

[[1, 1, 'maybe'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']]

calcShannonEnt(myDat)

1.3709505944546687

划分数据集

得到熵后我们就可以按照获取最大信息增益的方法划分数据集

def splitDataSet(dataSet, axis, value):
    retDataSet = []
    for featVec in dataSet:
        if featVec[axis] == value:
            reducedFeatVec = featVec[:axis]
            reducedFeatVec.extend(featVec[axis+1:])
            retDataSet.append(reducedFeatVec)
    return retDataSet

splitDatSet()有三个参数：待划分的数据集，划分数据集的特征列，需要返回的特征值

# 注意append和extend的不同
a = [1, 2, 3]
b = [4, 5, 6]
a.append(b)
a

[1, 2, 3, [4, 5, 6]]

a = [1, 2, 3]
a.extend(b)
a

[1, 2, 3, 4, 5, 6]

用前面简单的数据集测试一下

myDat, labels = createDataSet()
myDat

[[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']]

splitDataSet(myDat, 1, 1)

[[1, 'yes'], [1, 'yes'], [0, 'no'], [0, 'no']]

splitDataSet(myDat, 0, 0)

[[1, 'no'], [1, 'no']]

接下来遍历整个数据集，循环计算香农熵splitDataSet()函数，找到最好的特征划分方式。

def chooseBestFeatureToSplit(dataSet):
    numFeatures = len(dataSet[0]) - 1
    baseEntropy = calcShannonEnt(dataSet)
    bestInfoGain = 0.0
    bestFeature = -1
    for i in range(numFeatures):
        featList = [example[i] for example in dataSet]
        uniqueVals = set(featList)
        newEntropy = 0.0
        for value in uniqueVals:
            subDataSet = splitDataSet(dataSet, i, value)
            prob = len(subDataSet)/float(len(dataSet))
            newEntropy += prob * calcShannonEnt(subDataSet)
        infoGain = baseEntropy - newEntropy
        if (infoGain > bestInfoGain):
            bestInfoGain = infoGain
            bestFeature = i
    return bestFeature

chooseBestFeatureToSplit(myDat)

myDat

[[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']]

代码运行告诉我们第0个特征划分最好

递归构建决策树

目前我们已经构建好所有决策树算法所需的子功能模块，其工作原理如下：
得到原始数据集，然后基于最好的属性划分数据集，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。第一次划分后，数据将被向下传递到树分支的下一节点，在这个节点上，我们可以再次划分数据，因此我们可以采用递归的原则处理数据集。

递归结束的条件是：程序遍历完所有的划分数据集的属性，或者每个分支下的所有实例都具有相同的分类。如果所有实列具有相同的分类，则得到一个叶子节点或者终止块。

def majorityCnt(classList):
    classCount={}
    for vote in classList:
        if vote not in classCount.keys():
            classCount[vote] = 0
            classCount[vote] += 1
        sortedClassCount = sorted(classCount,iteritems(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]

上面代码的作用市，当遍历完所有的特征时，我们用投票表决的方法，返回出现次数最多的类别

def createTree(dataSet, labels):
    classList = [example[-1] for example in dataSet]
    if classList.count(classList[0]) == len(classList):
        return classList[0]
    if len(dataSet[0]) == 1:
        return majorityCnt(classList)
    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

myDat, labels = createDataSet()
myTree = createTree(myDat, labels)
myTree

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

绘制树形图

为了更清晰的看出我们创建的树，可以用matplotlib绘图

使用文本注解绘制树节点

import matplotlib.pyplot as plt

# 定义文本框和箭头格式
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)

def createPlot():
    fig = plt.figure(1, facecolor='white')
    fig.clf()
    createPlot.ax1 = 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()

createPlot()

在这里插入图片描述

构造注解树

绘制一颗完整的树需要一些技巧，我们必须有x,y坐标，知道多少个叶节点，确定x轴的长度，树的深度，确定y轴的高度，这里编写两个函数getNumLeafs()和getTreeDepth()，来获取叶节点数和树的深度。

def getNumLeafs(myTree):
    numLeafs = 0
    firstStr = list(myTree.keys())[0]
    secondDict = myTree[firstStr]
    for key in list(secondDict.keys()):
        if type(secondDict[key]).__name__=='dict':
            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 list(secondDict.keys()):
        if type(secondDict[key]).__name__=='dict':
            thisDepth = 1 + getTreeDepth(secondDict[key])
        else:
            thisDepth = 1
        if thisDepth > maxDepth: maxDepth = thisDepth
    return maxDepth

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]

retrieveTree(1)

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

myTree = retrieveTree(0)

getNumLeafs(myTree)

getTreeDepth(myTree)

接下来我们画出这颗树

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)

def plotTree(myTree, parentPt, nodeTxt):
    numLeafs = getNumLeafs(myTree)
    depth = getTreeDepth(myTree)
    firstStr = list(myTree.keys())[0]
    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 list(secondDict.keys()):
        if type(secondDict[key]).__name__ == 'dict':
            plotTree(secondDict[key], cntrPt, str(key))
        else:
            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

def createPlot(inTree):
    fig = plt.figure(1, facecolor='white')
    fig.clf()
    axprops = dict(xticks=[], yticks=[])
    createPlot.ax1 = plt.subplot(111, frameon=False, **axprops)
    plotTree.totalW = float(getNumLeafs(inTree))
    plotTree.totalD = float(getTreeDepth(inTree))
    plotTree.xOff = -0.5/plotTree.totalW
    plotTree.yOff = 1.0
    plotTree(inTree, (0.5, 1.0), '')
    plt.show()

myTree = retrieveTree(0)

createPlot(myTree)

在这里插入图片描述

添加一组数据再绘制

myTree['no surfacing'][3]='maybe'

createPlot(myTree)

在这里插入图片描述

测试和存储分类器

测试算法：使用决策树执行分类

依靠训练数据构造了决策树之后，我们可以将它用于实际数据的分类，在执行数据分类时，需要使用决策树以及用于构造决策树的标签向量。然后程序比较测试数据与决策树上的数值，递归执行该过程，直到叶子节点；最后将测试数据定义为叶子节点所属的类型。

def classify(inputTree, featLabels, testVec):
    firstStr = list(inputTree.keys())[0]
    secondDict = inputTree[firstStr]
    featIndex = featLabels.index(firstStr)
    for key in list(secondDict.keys()):
        if testVec[featIndex] == key:
            if type(secondDict[key]).__name__ == 'dict':
                classLables = classify(secondDict[key], featLabels, testVec)
            else:
                classLables = secondDict[key]
    return classLables

myDat, labels = createDataSet()
labels

['no surfacing', 'flippers']

myTree = retrieveTree(0)
myTree

classify(myTree, labels, [1, 0])

'no'

classify(myTree, labels, [1, 1])

'yes'

使用算法：决策树的存储

决策树的构造是很耗时的任务，但如果使用创建好的决策树则可以很快的解决分类问题，这里需要使用pickle模块把决策树保存到本地。

def storeTree(inputTree, filename):
    import pickle
    fw = open(filename, 'wb')
    pickle.dump(inputTree, fw)
    fw.close()

def grabTree(filename):
    import pickle
    fr = open(filename, 'rb')
    return pickle.load(fr)

storeTree(myTree, 'classifierStorage.txt')
grabTree('classifierStorage.txt')

{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}, 3: 'maybe'}}

通过上述的代码，我们将分类器储存在本地，则不用每一次分类都重新学习一遍

实例：使用决策树预测隐形眼镜的类型

根据隐形眼镜的材质等信息预测患者需要的眼镜类型，流程如下

收集数据：提供的文本文件
准备数据：解析tab键分割的数据行
分析数据：快速检查数据正确性，使用createPlot()函数绘制树形图
训练算法：使用creatTree()函数
测试算法：编写测试函数验证决策树的正确率
使用算法：储存树的数据结构，以便下次使用

fr = open('./MLiA_SourceCode/machinelearninginaction/Ch03/lenses.txt')
lenses = [inst.strip().split('\t') for inst in fr.readlines()]
lensesLabels = ['age', 'prescript', 'astigmatic', 'tearRate']
lensesTree = createTree(lenses, lensesLabels)
lensesTree

{'tearRate': {'reduced': 'no lenses',
  'normal': {'astigmatic': {'yes': {'prescript': {'myope': 'hard',
      'hyper': {'age': {'pre': 'no lenses',
        'young': 'hard',
        'presbyopic': 'no lenses'}}}},
    'no': {'age': {'pre': 'soft',
      'young': 'soft',
      'presbyopic': {'prescript': {'myope': 'no lenses',
        'hyper': 'soft'}}}}}}}}

createPlot(lensesTree)

在这里插入图片描述

通过观察树我们知道，医生最多只需要问四个问题就能确定患者需要佩戴的眼镜。

虽然决策树非常好的匹配了实验数据，但匹配的选项太多了，我们将这种问题称为过度匹配（overfitting），为了减少过度匹配问题，我们可以裁剪决策树，去掉一些不必要的叶子节点。

总结

本章使用的算法称为ID3，它无法处理数值型数据，如果特征太多，也会面临其它问题。

决策树分类器就像带有终止块的流程图，终止块表示分类结果。开始处理数据集时，我们首先需要测量集合中数据的不一致性，也就是熵，然后寻找最优方案划分数据集，知道数据集中的所有数据属于同一分类。ID3可以划分标称型数据集。

voidmort

关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
机器学习实战（三）

title: 机器学习实战（三）date: 2020-03-06 10:15:50tags: [决策树, ID3]categories: 机器学习实战更多内容请关注我的博客决策树的简介你是否玩过二十个问题的游戏，就是你在脑海中想某个事物，向你提问二十个问题推测出你想的东西。这个游戏的原理和决策树类似，下面是一个判断垃圾邮件的决策树。决策树的构造决策树优点：计算复杂度不高，输出的结果易于理解，对中间值的缺失不敏感，可以处理不相关特征的数据缺点：可能会产生过度匹配的问题适用数据类型：.
复制链接

扫一扫