python决策树结果图_机器学习python实战----决策树

决策树原理：从数据集中找出决定性的特征对数据集进行迭代划分，直到某个分支下的数据都属于同一类型，或者已经遍历了所有划分数据集的特征，停止决策树算法。

每次划分数据集的特征都有很多，那么我们怎么来选择到底根据哪一个特征划分数据集呢？这里我们需要引入信息增益和信息熵的概念。

一、信息增益

划分数据集的原则是：将无序的数据变的有序。在划分数据集之前之后信息发生的变化称为信息增益。知道如何计算信息增益，我们就可以计算根据每个特征划分数据集获得的信息增益，选择信息增益最高的特征就是最好的选择。首先我们先来明确一下信息的定义：符号xi的信息定义为 l(xi)=-log2 p(xi)，p(xi)为选择该类的概率。那么信息源的熵H=-∑p(xi)·log2p(xi)。根据这个公式我们下面编写代码计算香农熵

defcalcShannonEnt(dataSet):

NumEntries=len(dataSet)

labelsCount={}for i indataSet:

currentlabel= i[-1]if currentlabel not inlabelsCount.keys():

labelsCount[currentlabel]=0

labelsCount[currentlabel]+=1ShannonEnt= 0.0

for key inlabelsCount:

prob= labelsCount[key]/NumEntries

ShannonEnt-= prob*log(prob,2)return ShannonEnt

上面的自定义函数我们需要在之前导入log方法，from math import log。 我们可以先用一个简单的例子来测试一下

defcreatedataSet():#dataSet = [['1','1','yes'],['1','0','no'],['0','1','no'],['0','0','no']]

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

labels= ['no surfacing','flippers']return dataSet,labels

这里的熵为0.811，当我们增加数据的类别时，熵会增加。这里更改后的数据集的类别有三种‘yes’、‘no’、‘maybe’，也就是说数据越混乱，熵就越大。

分类算法出了需要计算信息熵，还需要划分数据集。决策树算法中我们对根据每个特征划分的数据集计算一次熵，然后判断按照哪个特征划分是最好的划分方式。

defsplitDataSet(dataSet,axis,value):

retDataSet=[]for featVec indataSet:if featVec[axis] ==value:

reducedfeatVec=featVec[:axis]

reducedfeatVec.extend(featVec[axis+1:])

retDataSet.append(reducedfeatVec)return retDataSet

axis表示划分数据集的特征，value表示特征的返回值。这里需要注意extend方法和append方法的区别。举例来说明这个区别

下面我们测试一下划分数据集函数的结果：

axis=0，value=1，按myDat数据集的第0个特征向量是否等于1进行划分。

接下来我们将遍历整个数据集，对每个划分的数据集计算香农熵，找到最好的特征划分方式

defchoosebestfeatureToSplit(dataSet):

Numfeatures= len(dataSet)-1BaseShannonEnt=calcShannonEnt(dataSet)

bestInfoGain=0.0bestfeature= -1

for i inrange(Numfeatures):

featlist= [example[i] for example indataSet]

featSet=set(featlist)

newEntropy= 0.0

for value infeatSet:

subDataSet=splitDataSet(dataSet,i,value)

prob= len(subDataSet)/len(dataSet)

newEntropy+= prob*calcShannonEnt(subDataSet)

infoGain= BaseShannonEnt-newEntropyif infoGain>bestInfoGain:

bestInfoGain=infoGain

bestfeature=ireturnbestfeature

信息增益是熵的减少或数据无序度的减少。最后比较所有特征中的信息增益，返回最好特征划分的索引。函数测试结果为

接下来开始递归构建决策树，我们需要在构建前计算列的数目，查看算法是否使用了所有的属性。这个函数跟跟第二章的calssify0采用同样的方法

defmajorityCnt(classlist):

ClassCount={}for vote inclasslist:if vote not inClassCount.keys():

ClassCount[vote]=0

ClassCount[vote]+=1sortedClassCount= sorted(ClassCount.items(),key = operator.itemgetter(1),reverse =True)returnsortedClassCount[0][0]defcreateTrees(dataSet,labels):

classList= [example[-1] for example indataSet]if classList.count(classList[0]) ==len(classList):returnclassList[0]if len(dataSet[0])==1:returnmajorityCnt(classList)

bestfeature=choosebestfeatureToSplit(dataSet)

bestfeatureLabel=labels[bestfeature]

myTree={bestfeatureLabel:{}}del(labels[bestfeature])

featValue= [example[bestfeature] for example indataSet]

uniqueValue=set(featValue)for value inuniqueValue:

subLabels=labels[:]

myTree[bestfeatureLabel][value]=createTrees(splitDataSet(dataSet,bestfeature,value),subLabels)return myTree

最终决策树得到的结果如下：

有了如上的结果，我们看起来并不直观，所以我们接下来用matplotlib注解绘制树形图。matplotlib提供了一个注解工具annotations，它可以在数据图形上添加文本注释。我们先来测试一下这个注解工具的使用。

importmatplotlib.pyplot as plt

decisionNode= dict(boxstyle = 'sawtooth',fc = '0.8')

leafNode= dict(boxstyle = 'sawtooth',fc = '0.8')

arrow_args= dict(arrowstyle = '

createPlot.ax1.annotate(nodeTxt,xy= parentPt,xycoords = 'axes fraction',\

xytext= centerPt,textcoords = 'axes fraction',\

va= 'center',ha = 'center',bbox =nodeType,\

arrowprops=arrow_args)defcreatePlot():

fig= plt.figure(1,facecolor = 'white')

fig.clf()

createPlot.ax1= plt.subplot(111,frameon =False)

plotNode('test1',(0.5,0.1),(0.1,0.5),decisionNode)

plotNode('test2',(0.8,0.1),(0.3,0.8),leafNode)

plt.show()

测试过这个小例子之后我们就要开始构建注解树了。虽然有xy坐标，但在如何放置树节点的时候我们会遇到一些麻烦。所以我们需要知道有多少个叶节点，树的深度有多少层。下面的两个函数就是为了得到叶节点数目和树的深度，两个函数有相同的结构，从第一个关键字开始遍历所有的子节点，使用type()函数判断子节点是否为字典类型，若为字典类型，则可以认为该子节点是一个判断节点，然后递归调用函数getNumleafs()，使得函数遍历整棵树，并返回叶子节点数。第2个函数getTreeDepth()计算遍历过程中遇到判断节点的个数。该函数的终止条件是叶子节点，一旦到达叶子节点，则从递归调用中返回，并将计算树深度的变量加一

defgetNumleafs(myTree):

numLeafs=0

key_sorted=sorted(myTree.keys())

firstStr=key_sorted[0]

secondDict=myTree[firstStr]for key insecondDict.keys():if type(secondDict[key]).__name__=='dict':

numLeafs+=getNumleafs(secondDict[key])else:

numLeafs+=1

returnnumLeafsdefgetTreeDepth(myTree):

maxdepth=0

key_sorted=sorted(myTree.keys())

firstStr=key_sorted[0]

secondDict=myTree[firstStr]for key insecondDict.keys():if type(secondDict[key]).__name__ == 'dict':

thedepth=1+getTreeDepth(secondDict[key])else:

thedepth=1

if thedepth>maxdepth:

maxdepth=thedepthreturn maxdepth

测试结果如下

我们先给出最终的决策树图来验证上述结果的正确性

可以看出树的深度确实是有两层，叶节点的数目是3。接下来我们给出绘制决策树图的关键函数，结果就得到上图中决策树。

defplotMidText(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)defplotTree(myTree,parentPt,nodeTxt):

numLeafs=getNumleafs(myTree)

depth=getTreeDepth(myTree)

key_sorted=sorted(myTree.keys())

firstStr=key_sorted[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-= 1.0/plotTree.totalDfor key insecondDict.keys():if type(secondDict[key]).__name__ == 'dict':

plotTree(secondDict[key],cntrPt,str(key))else:

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+=1.0/plotTree.totalDdefcreatePlot(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 = 1.0plotTree(inTree,(0.5,1.0),'')

plt.show()