python 预测数据 回归树_python机器学习实战之树回归详解

#-*- coding:utf-8 -*-

#!/usr/bin/python

'''''

回归树 连续值回归预测 的 回归树

'''

# 测试代码

# import regTrees as RT RT.RtTreeTest() RT.RtTreeTest('ex0.txt') RT.RtTreeTest('ex2.txt')

# import regTrees as RT RT.RtTreeTest('ex2.txt',ops=(10000,4))

# import regTrees as RT RT.pruneTest()

# 模型树 测试

# import regTrees as RT RT.modeTreeTest(ops=(1,10)

# 模型回归树和普通回归树 效果比较 计算相关系数

# import regTrees as RT RT.MRTvsSRT()

from numpy import *

# Tab 键值分隔的数据 提取成 列表数据集 成浮点型数据

def loadDataSet(fileName): #

dataMat = [] # 目标数据集 列表

fr = open(fileName)

for line in fr.readlines():

curLine = line.strip().split('\t')

fltLine = map(float,curLine) #转换成浮点型数据

dataMat.append(fltLine)

return dataMat

# 按特征值 的数据集二元切分 特征(列) 对应的值

# 某一列的值大于value值的一行样本全部放在一个矩阵里，其余放在另一个矩阵里

def binSplitDataSet(dataSet, feature, value):

mat0 = dataSet[nonzero(dataSet[:,feature] > value)[0],:][0] # 数组过滤

mat1 = dataSet[nonzero(dataSet[:,feature] <= value)[0],:][0] #

return mat0,mat1

# 常量叶子节点

def regLeaf(dataSet):# 最后一列为标签 为数的叶子节点

return mean(dataSet[:,-1])# 目标变量的均值

# 方差

def regErr(dataSet):

return var(dataSet[:,-1]) * shape(dataSet)[0]# 目标变量的平方误差 * 样本个数(行数)的得到总方差

# 选择最优的 分裂属性和对应的大小

def chooseBestSplit(dataSet, leafType=regLeaf, errType=regErr, ops=(1,4)):

tolS = ops[0] # 允许的误差下降值

tolN = ops[1] # 切分的最少样本数量

if len(set(dataSet[:,-1].T.tolist()[0])) == 1: # 特征剩余数量为1 则返回

return None, leafType(dataSet) #### 返回 1 ####

m,n = shape(dataSet) # 当前数据集大小 形状

S = errType(dataSet) # 当前数据集误差 均方误差

bestS = inf; bestIndex = 0; bestValue = 0

for featIndex in range(n-1):# 遍历 可分裂特征

for splitVal in set(dataSet[:,featIndex]):# 遍历对应 特性的 属性值

mat0, mat1 = binSplitDataSet(dataSet, featIndex, splitVal)# 进行二元分割

if (shape(mat0)[0] < tolN) or (shape(mat1)[0] < tolN): continue #样本数量 小于设定值，则不切分

newS = errType(mat0) + errType(mat1)# 二元分割后的 均方差

if newS < bestS: # 弱比分裂前小 则保留这个分类

bestIndex = featIndex

bestValue = splitVal

bestS = newS

if (S - bestS) < tolS: # 弱分裂后 比 分裂前样本方差 减小的不多 也不进行切分

return None, leafType(dataSet) #### 返回 2 ####

mat0, mat1 = binSplitDataSet(dataSet, bestIndex, bestValue)

if (shape(mat0)[0] < tolN) or (shape(mat1)[0] < tolN): #样本数量 小于设定值，则不切分

return None, leafType(dataSet) #### 返回 3 ####

return bestIndex,bestValue # 返回最佳的 分裂属性 和 对应的值

# 创建回归树 numpy数组数据集 叶子函数 误差函数 用户设置参数(最小样本数量 以及最小误差下降间隔)

def createTree(dataSet, leafType=regLeaf, errType=regErr, ops=(1,4)):

# 找到最佳的待切分特征和对应 的值

feat, val = chooseBestSplit(dataSet, leafType, errType, ops)#

# 停止条件 该节点不能再分，该节点为叶子节点

if feat == None: return val

retTree = {}

retTree['spInd'] = feat #特征

retTree['spVal'] = val #值

# 执行二元切分

lSet, rSet = binSplitDataSet(dataSet, feat, val)# 二元切分 左树 右树

# 创建左树

retTree['left'] = createTree(lSet, leafType, errType, ops) # 左树 最终返回子叶子节点 的属性值

# 创建右树

retTree['right'] = createTree(rSet, leafType, errType, ops) # 右树

return retTree

# 未进行后剪枝的回归树测试

def RtTreeTest(filename='ex00.txt',ops=(1,4)):

MyDat = loadDataSet(filename) # ex00.txt y = w*x 两维 ex0.txt y = w*x+b 三维

MyMat = mat(MyDat)

print createTree(MyMat,ops=ops)

# 判断是不是树 (按字典形式存储)

def isTree(obj):

return (type(obj).__name__=='dict')

# 返回树的平均值 塌陷处理

def getMean(tree):

if isTree(tree['right']):

tree['right'] = getMean(tree['right'])

if isTree(tree['left']):

tree['left'] = getMean(tree['left'])

return (tree['left']+tree['right'])/2.0 # 两个叶子节点的 平均值

# 后剪枝 待剪枝的树 剪枝所需的测试数据

def prune(tree, testData):

if shape(testData)[0] == 0:

return getMean(tree) #没有测试数据 返回

if (isTree(tree['right']) or isTree(tree['left'])): # 如果回归树的左右两边是树

lSet, rSet = binSplitDataSet(testData, tree['spInd'], tree['spVal'])#对测试数据 进行切分

if isTree(tree['left']):

tree['left'] = prune(tree['left'], lSet) # 对左树进行剪枝

if isTree(tree['right']):

tree['right'] = prune(tree['right'], rSet)# 对右树进行剪枝

if not isTree(tree['left']) and not isTree(tree['right']):#两边都是叶子

lSet, rSet = binSplitDataSet(testData, tree['spInd'], tree['spVal'])#对测试数据 进行切分

errorNoMerge = sum(power(lSet[:,-1] - tree['left'],2)) +\

sum(power(rSet[:,-1] - tree['right'],2)) # 对两边叶子合并前计算 误差

treeMean = (tree['left']+tree['right'])/2.0 # 合并后的 叶子 均值

errorMerge = sum(power(testData[:,-1] - treeMean,2))# 合并后 的误差

if errorMerge < errorNoMerge: # 合并后的误差小于合并前的误差

print "merging" # 说明合并后的树 误差更小

return treeMean # 返回两个叶子 的均值 作为 合并后的叶子节点

else: return tree

else: return tree

def pruneTest():

MyDat = loadDataSet('ex2.txt')

MyMat = mat(MyDat)

MyTree = createTree(MyMat,ops=(0,1)) # 为了得到 最大的树 误差设置为0 个数设置为1 即不进行预剪枝

MyDatTest = loadDataSet('ex2test.txt')

MyMatTest = mat(MyDatTest)

print prune(MyTree,MyMatTest)

######叶子节点为线性模型的模型树#########

# 线性模型

def linearSolve(dataSet):

m,n = shape(dataSet) # 数据集大小

X = mat(ones((m,n))) # 自变量

Y = mat(ones((m,1))) # 目标变量

X[:,1:n] = dataSet[:,0:n-1]# 样本数据集合

Y = dataSet[:,-1] # 标签

# 线性模型 求解

xTx = X.T*X

if linalg.det(xTx) == 0.0:

raise NameError('行列式值为零,不能计算逆矩阵，可适当增加ops的第二个值')

ws = xTx.I * (X.T * Y)

return ws,X,Y

# 模型叶子节点

def modelLeaf(dataSet):

ws,X,Y = linearSolve(dataSet)

return ws

# 计算模型误差

def modelErr(dataSet):

ws,X,Y = linearSolve(dataSet)

yHat = X * ws

return sum(power(Y - yHat,2))

# 模型树测试

def modeTreeTest(filename='ex2.txt',ops=(1,4)):

MyDat = loadDataSet(filename) #

MyMat = mat(MyDat)

print createTree(MyMat,leafType=modelLeaf, errType=modelErr,ops=ops)#带入线性模型 和相应 的误差计算函数

# 模型效果计较

# 线性叶子节点 预测计算函数 直接返回 树叶子节点 值

def regTreeEval(model, inDat):

return float(model)

def modelTreeEval(model, inDat):

n = shape(inDat)[1]

X = mat(ones((1,n+1)))# 增加一列

X[:,1:n+1]=inDat

return float(X*model) # 返回 值乘以 线性回归系数

# 树预测函数

def treeForeCast(tree, inData, modelEval=regTreeEval):

if not isTree(tree):

return modelEval(tree, inData) # 返回 叶子节点 预测值

if inData[tree['spInd']] > tree['spVal']: # 左树

if isTree(tree['left']):

return treeForeCast(tree['left'], inData, modelEval)# 还是树 则递归调用

else:

return modelEval(tree['left'], inData) # 计算叶子节点的值 并返回

else:

if isTree(tree['right']): # 右树

return treeForeCast(tree['right'], inData, modelEval)

else:

return modelEval(tree['right'], inData)# 计算叶子节点的值 并返回

# 得到预测值

def createForeCast(tree, testData, modelEval=regTreeEval):

m=len(testData)

yHat = mat(zeros((m,1)))#预测标签

for i in range(m):

yHat[i,0] = treeForeCast(tree, mat(testData[i]), modelEval)

return yHat

# 常量回归树和线性模型回归树的预测结果比较

def MRTvsSRT():

TestMat = mat(loadDataSet('bikeSpeedVsIq_test.txt'))

TrainMat = mat(loadDataSet('bikeSpeedVsIq_train.txt'))

# 普通回归树 预测结果

# 得到普通回归树树

StaTree = createTree(TrainMat, ops=(1,20))

# 得到预测结果

StaYHat = createForeCast(StaTree, TestMat[:,0], regTreeEval)# 第一列为 自变量

# 预测结果和真实标签的相关系数

StaCorr = corrcoef(StaYHat, TestMat[:,1], rowvar=0)[0,1] # NumPy 库函数

# 模型回归树 预测结果

# 得到模型回归树

ModeTree = createTree(TrainMat,leafType=modelLeaf, errType=modelErr, ops=(1,20))

# 得到预测结果

ModeYHat = createForeCast(ModeTree, TestMat[:,0], modelTreeEval)

# 预测结果和真实标签的相关系数

ModeCorr = corrcoef(ModeYHat, TestMat[:,1], rowvar=0)[0,1] # NumPy 库函数

print "普通回归树 预测结果的相关系数R2: %f" %(StaCorr)

print "模型回归树 预测结果的相关系数R2: %f" %(ModeCorr)

if ModeCorr>StaCorr:

print "模型回归树效果优于普通回归树"

else:

print "回归回归树效果优于模型普通树"