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()