作为机器学习的小白和matlab的小白自己参照 python的 《机器学习实战》 写了一下分类回归树,这里记录一下。
关于决策树的基础概念就不过多介绍了,至于是分类还是回归。。我说不清楚。。我用的数据集是这个http://archive.ics.uci.edu/ml/datasets/Abalone 就是通过一些属性来预测鲍鱼有多少头,下面看一下
Length / continuous / mm / Longest shell measurement
Diameter/ continuous / mm / perpendicular to length
Height / continuous / mm / with meat in shell
Whole weight / continuous / grams / whole abalone
Shucked weight / continuous/ grams / weight of meat
Viscera weight / continuous / grams / gut weight (after bleeding)
Shell weight / continuous / grams / after being dried
Rings / integer / -- / +1.5 gives the age in years
这些属性除了最后的Rings是整数,可以看做是离散的,其他都是浮点数,是连续的。所以还是用cart中二分的思想,就是小于等于分一边,大于分一边。但是没有用gini指数,因为熵还是好一点。
参照《机器学习实战》代码有5个部分:getEnt(获取信息熵),splitDataset(通过属性和阈值分割数据集),chooseBestFeatureToSplit(寻找最佳分割点和阈值),createTree(建树),predict(预测)。
我按流程梳理一下,首先函数脚本来将数据集划分成,训练集和测试集,然后用训练集建树,用测试集测试,(更改后变成bootstrap sampleing)
dataset = importdata('abalone.data.txt') ;
origin_data=dataset.data ;
labels= {'Length';'Diam';'Height'; 'Whole';'Shucked';'Viscera';'Shell';'Rings'} ;
test_runtimes= 50;
ae= 0;
rr= 0;for i=1:test_runtimes
data= sampleWithReplace(origin_data) ;%bootstrap sampling
len= floor(length(data)/4*3) ;
train_data= data(1:len,:) ;
test_data=data(len:end,:) ;
test_y_truth=test_data(:,end) ;% tree = createTree(train_data,labels,0) ;% predict_y =predict(tree,test_data,labels) ;% com_matrix =[predict_y,test_y_truth] ;% count = sum(predict_y==test_y_truth) ;%disp(com_matrix) ;%disp(mae) ;%disp(rr) ;%plot single runtime% x = 1:1:size(test_y_truth,1) ;% plot(x,predict_y,'-b',x,test_y_truth,'-r') ;
ae= ae+sum(abs(predict_y-test_y_truth))/size(test_y_truth,1) ;
rr= rr+count/size(test_y_truth,1) ;%trian with office tools fitctree
std_tree= fitctree(train_data(:,1:7),train_data(:,end)) ;%view(std_tree) ;
std_y= predict(std_tree,test_data(:,1:7)) ;%disp([std_y,y]) ;
ae= ae+sum(abs(std_y-test_y_truth))/size(test_y_truth,1) ;
rr= rr+sum(std_y==test_y_truth)/size(test_y_truth,1) ;
end
mae= mae /test_runtimes ;
mrr= rr /test_runtimes ;
disp('mae') ;
disp(mae) ;
disp('mrr') ;
disp(mrr) ;
createTree函数:由于matlab没有指针,所以只能写成嵌套结构,就像tree{tree{tree}}这样。我们是递归实现的,但怎么样才会停止建树?条件是当前节点所有标签的类别一样,比如rings都为10,那说明这一个子集已经纯了,或者是这颗树的高度已经超出了我们设的阈值,就停止,第二种情况很可能当前节点下的数据集不纯,我们就找一个出现频率最高的类别代表该节点
function [ tree ] =createTree( dataset,labels,heightcount )
len= size(dataset,1) ;
templabel= dataset(1,end) ;
tree=templabel ;
max_depth= 5 ;%最大树高
flag= 1 ; %判断是否数据集中所有标签都一致了(纯的),是则返回for i=1:lenif templabel~=dataset(i,end) ;
flag= 0;
end
endif flag==1
return;
endif heightcount>max_depth
labelVec=dataset(:,end) ;
disp(labelVec) ;
element= 1:max(labelVec) ;
counts=histc(labelVec,element) ;
[~,max_idx] =max(counts) ;
tree=element(max_idx) ;return;
end
[bestFeat,bestT]=chooseBestFeatureToSplit(dataset) ;
bestFeatLabel=labels{bestFeat} ;
tree= struct ;%struct储存树结构
tree.bestFeatLabel=bestFeatLabel ;
tree.bestT=bestT ;
tree.greaterthan= createTree(splitDataset(dataset,bestFeat,bestT,1),labels,heightcount+1) ;%大于阈值部分的子树
tree.lessthan= createTree(splitDataset(dataset,bestFeat,bestT,2),labels,heightcount+1) ;%小于阈值部分的子树
end
chooseBestFeatureToSplit函数:在createTree时,每次递归都要找那个当前最佳的特征和阈值,也就是调用chooseBestFeatureToSplit函数,所以两层循环,第一层遍历每个属性,第二层本应该遍历每个属性下的值,但是那样计算量太大了,所以我就将值排序之后分成10端取中位数遍历,在里面找阈值,如果当前节点的数据子集已经不足10个里,那就把所有属性都遍历一哈
function [ bestFeat,bestT ] =chooseBestFeatureToSplit( dataset )
[~,numFeats] =size(dataset) ;
numFeats= numFeats-1 ;%除去标签那一列
baseEnt=getEnt(dataset) ;
baseInfoGain= 0;
bestFeat= -1;for i=1:numFeats
featVec=dataset(:,i) ;%由于值是连续的,所以对于特征向量组排序分成n段取中位数
sortedFeatVec= sort(featVec,'ascend') ;
lengthofT= floor(sqrt(length(sortedFeatVec))) ; %取向量长度开根号来确定阈值的个数if lengthofT<10lengthofT=length(sortedFeatVec) ;
selectedFeat=sortedFeatVec ;elsestep= floor(length(sortedFeatVec)/lengthofT) ;
selectedFeat= zeros(lengthofT,1) ;for j=1:lengthofT
head= (j-1)*step+1;
tail= j*step ;
subSortedFeatVec=sortedFeatVec(head:tail) ;
selectedFeat(j)=median(subSortedFeatVec) ;
end
endfor k=1:lengthofT
newEnt= 0;for l=1:2subDataset=splitDataset(dataset,i,selectedFeat(k),l) ;
prob= size(subDataset,1)/size(dataset,1) ;
newEnt= newEnt + prob*getEnt(subDataset) ;
end
infoGain= baseEnt -newEnt ;% disp('infoGain') ;%disp(infoGain) ;if(infoGain>baseInfoGain)
baseInfoGain=infoGain ;
bestFeat=i ;
bestT=selectedFeat(k) ;
end
end
end
end
计算信息增益(infoGain)的时候需要用到getEnt(获取信息熵),splitDataset(通过属性和阈值分割数据集)函数
splitDataset:
function [ retDataset ] =splitDataset(dataset,axis,value,arg )%axis 代表键值的位置 value表示阈值 返回划分后的dataset,arg表示取大于的部分(1)还是小于等于的部分if arg==1retDataset= dataset(dataset(:,axis)>value,:) ;elseretDataset= dataset(dataset(:,axis)<=value,:) ;
end
end
View Code
getEnt:
function [ ent ] =getEnt( data )%index present the label
[datalen,~] =size(data) ;
maxLabel=max(data(:,end)) ;
labelCountsMap= zeros(maxLabel,1) ;%rings are all numbersfor i=1:datalen
label=data(i,end) ;if labelCountsMap(label)~=0labelCountsMap(label)= labelCountsMap(label) + 1;elselabelCountsMap(label)= 1;
end
end
ent= 0;% disp('labelMap') ;%disp(labelCountsMap) ;for i=1:maxLabelif labelCountsMap(i)~=0prob= labelCountsMap(i)/datalen ;
ent= ent - prob*log2(prob) ;
end
end
end
View Code
最后预测函数:
function [ classVec ] =predict( tree , dataset , labels)%tree应由createTree函数生成
len= size(dataset,1) ;
classVec= zeros(len,1) ;for i=1:len
dataVec= dataset(i,1:end-1) ;
tempnode=tree ;while(isstruct(tempnode))
[~,tempFeatIdx] =ismember(tempnode.bestFeatLabel,labels) ;if(dataVec(tempFeatIdx)>tempnode.bestT)
tempnode=tempnode.greaterthan ;elsetempnode=tempnode.lessthan ;
end
end
classVec(i)=tempnode ;
end
end
View Code
更新了一下代码,加入了boostrap采样,就是有放回的采样,我是这样采用的,有多少个样本就进行多少次有放回采样,然后这个过程进行50次求均值。用了之后,官方的库正确率道理44%,而我的还在30%。。差距一下突显,还需继续学习。。
补充一下那个sampleWithReplace函数
function [ sample_data ] =sampleWithReplace( dataset )
len= size(dataset,1) ;
randidx= randsample(len,len,true) ;
sample_data=dataset(randidx,:) ;
end
内容来源于网络如有侵权请私信删除