首先我们分析下决策树的优点和缺点。优点:计算复杂度不高,输出结果易于理解,对中间值的却是不敏感,可以处理不相关特征数据;缺点:可能会产生过度匹配问题。适用数据类型:数值型和标称型。
本篇文章我们将一步步地构造决策树算法,并会涉及许多有趣的细节。首先我们先讨论数学上如何使用信息论划分数据集,然后编写将理论应用到具体的数据集上,最后编写代码构建决策树。
在构造决策树时,我们需要解决的第一个问题就是,当前数据集上哪个特征在划分数据分类时起决定性作用。为了找到决定性的特征,划分出最好的结果,我们必须评估每个特征。完成测试之后,原始数据集就被划分为几个数据子集了。这些数据子集会分布在第一个决策点的所有分支上。如果某个分支下的数据属于同一类型,则当前无需阅读的垃圾邮件已经正确地划分数据分类,无需进一步对数据集进行分割。如果数据子集内的数据不属于同一类型,则需要重复划分数据子集的过程。如何划分数据子集的算法和划分原始数据集的方法相同,知道所有具有相同类型的数据均在一个数据子集内。
创建分支的伪代码函数createBranch()如下所示:
检测数据集中每个子项是否属于同一个分类:
IF so return 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了它自己。后面我们将上面的伪代码转换为Python代码,这里我们需要了解算法是如何划分数据集的。
决策树的一般流程
(1)收集数据:可以使用任何方法;
(2)准备数据:树构造算法只适用于标称型数据,因此数值型数据必须离散化;
(3)分析数据:可以使用任何方法,构造树完成后,我们应该检查图形是否符合预期;
(4)训练算法:构造树的数据结构;
(5)测试算法:使用经验树计算错误率
(6)使用算法:此步骤可以适用于任何监督学习算法,而使用决策树可以更好地理解数据的内在含义。
一些决策树算法采用二分法划分数据。如果依据某个属性划分数据将会产生四个可能的值,我们把数据划分成四块,并创建四个不同的分支。本章我们将使用ID3算法划分数据集,该算法处理如何划分数据集,何时停止划分数据集。每次划分数据集时我们只选取一个特征属性,如果训练集中存在20个特征,第一次我们选取哪个特征作为划分的参考属性呢?
下表中包含了5个海洋动物,特征包括:不浮出水面是否可以生存,以及是否有脚蹼。我们可以将这些动物划分为两类:鱼类和非鱼类。现在我们想要决定依据第一个特征还是第二个特征划分数据。在回答这个问题之前,我们必须采用量化的方法判断如何划分数据。
编号 | 不浮出水面是否可以生存 | 是否有脚蹼 | 属于鱼类 |
---|---|---|---|
1 | 是 | 是 | 是 |
2 | 是 | 是 | 是 |
3 | 是 | 否 | 否 |
4 | 否 | 是 | 否 |
5 | 否 | 是 | 否 |
划分数据集的最大原则是:将无序的数据变得更加有序。我们可以使用多种方法划分数据集,但是每种算法都有各自的优缺点。组织杂乱无章数据的另一种方法就是使用信息论度量信息,信息论是量化处理信息的分支科学。我们可以在划分数据之前使用信息论量化度量信息的内容。
在划分数据集之前之后信息发生的变化成为信息增益,知道如何计算信息增益,我们就可以计算每个特征值划分数据集获得的信息增益,获得信息增益最高的特征就是最好的选择。在可以评测哪种数据划分方式是最好的数据划分之前,我们必须先学习计算信息增益。集合信息的度量方式成为香农熵或称为熵。如果看不明白什么是信息增益(information gain)和熵(entropy)请不要着急。熵定义为信息的期望值,在明确这个概念之前,我们必须知道信息的定义。如果待分类的事务可能划分在多个分类中,则符号xi 的信息定义为:
其中p(xi)是选择该分类的概率,为了计算熵,我们需要计算所有类别所有可能包含的信息的期望值,通过下面的公式得到:
其中n是分类的数目。
下面我们将学习如何使用Python计算信息熵,创建名为tree.py的文件,输入下面的代码内容,下面代码的功能就是计算信息熵:
from math import log
def calcShannonEnt(dataSet):
numEntries=len(dataSet)
labelCounts={}
for featVec in dataSet:
currentLabel=featVec[-1]
if currentLabel not in labelCounts.keys():
labelCounts[currentLabel]=0
labelCounts[currentLabel]+=1
shannonEnt=0.0
for key in labelCounts:
prob=float(labelCounts[key])/numEntries
shannonEnt=prob*log(prob,2)
return shannonEnt
上面的程序非常简单。首先,计算数据集中实例的总数,我们也可以在需要时再计算这个值,但是由于代码中多次用到这个值,为了提高代码效率,我们显示的申明一个变量保存实例总数。然后,创建一个数据字典,它的键值是最后一列的数值。如果当前键值不存在,则扩展字典并将其加入当前字典。每个键值都记录了当前类别出现的次数。最后,我们所用类标签发生频率计算出类别出现的概率。我们将用这个概率计算香农熵,统计所有类标签发生的次数。下面我们看如何使用熵划分数据集。
在tree.py文件中,我们可以利用creatDataSet()函数得到上表中的简单鱼鉴定数据集,你可以输入自己的createDataSet()函数:
def createDataSet():
dataSet=[[1,1,'yes'],[1,1,'yes'],[1,0,'no'],[1,1,'yes'],[0,1,'no'],[0,1,'no']]
labels=['no surfacing','flippers']
return dataSet,labels
在Python命令行中输入下列命令:
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,这我们增加第三个名为maybe的分类,测试熵的变化:
得到熵之后,我们就可以按照最大信息增益的方法划分数据集,下一节