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 x_i xi的信息定义为
l ( x i ) = − log 2 p ( x i ) l(x_i)=-\log_2p(x_i) l(xi)=−log2p(xi)
其中 p ( x i ) p(x_i) p(xi)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:
H = − ∑ i = 1 n p ( x i ) log 2 p ( x i ) H = -\sum_{i=1}^n p(x_i)\log_2p(x_i) H=−i=1∑np(xi)log2p(xi)
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)
0
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()
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)
3
getTreeDepth(myTree)
2
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)
添加一组数据再绘制
myTree['no surfacing'][3]='maybe'
createPlot(myTree)
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)
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。