决策树定义:
分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点(node)和有向边(directed edge)组成。
结点有两种类型:
- 内部结点(internal node):表示一个特征或属性。
- 叶结点(leaf: node):表示一个类。
用决策树分类,从根节点开始,对实例的某一特征进行测试,根据测试结果,将实例分配到其子结点;这时,每一个子结点对应着该特征的一个取值。如此递归地对实例进行测试并分配,直至达到叶结点。最后将实例分配到叶结点的类中。
基本概念:
1.信息熵:
信息熵是用来表示事件随机性(即复杂度),通常概率值越大,信息熵越小,即越确定, 概率值越小,信息熵越大,即越随机.
信息熵可以理解为要确定某个事件,需要的信息量有多少,如果一个事件出现的情况很少,就需要更多的信息去确定
如以考试的选择题为例: 如果选择的选项个数越多,那么正确的答案的概率就越小,如果要确定正确的答案,就需要拥有更多的知识来确定
数学表达:
![7f0cf1adf2855e764258df4e37b4747b.png](https://i-blog.csdnimg.cn/blog_migrate/de7bd3823a3763ff902e736c1c46bbfd.jpeg)
2.条件信息熵
当我们知道一些信息后,此时将会降低随机性, 因此引进一些外部知识,增加对未知的确定性, 数学表示如下:
![015c896f2cb93b5852f09fbd2c4cf137.png](https://i-blog.csdnimg.cn/blog_migrate/abc37784f0d2863664ed13d6c34ed3fa.jpeg)
3.信息增益
当添加了一个新的变量的信息,如上述例子中,添加年龄信息后,信息熵将会减小,相当于越有把握进行选择,信息增益相当于是信息量增加了多少,表示为一个特征为分类系统带来了多少信息,带来的信息越多,说明特征就越重要
特征X带来的信息增益是
![c27a8d97d4c034feb14f9c10e2043367.png](https://i-blog.csdnimg.cn/blog_migrate/56e6027c216af5d2f8d650d09e0ee40a.jpeg)
在构建决策树时,面对多个特征时,通常选择信息增益最大的那个特征进行分裂
数学表示:
![45acce147974ba9123e074c40f769c0d.png](https://i-blog.csdnimg.cn/blog_migrate/7843dba105608573f8c4c322b518eeba.jpeg)
4.信息增益率
信息增益原则对于每个分支节点,都会乘以其权重,由于权重之和为1,所以分支节点分的越多,即每个节点中的数据越少,那么标签相同的数据就可能越多,即纯度越高,这样就会导致在选择, 分裂特征时,会偏爱取值个数较多的属性, 为了解决这个问题,引进了信息增益率
![2a824720a388f58c21d48a6886632ad3.png](https://i-blog.csdnimg.cn/blog_migrate/e93e28b03f517a6c8ec442ce6b7682dd.jpeg)
由公式知: 如果一个属性的取值个数较多,那么|Dv|/|D|的值会比较小,所以IV(a)的值会比较大
缺点: 如果按照上述的准则选择特征,那么会偏爱取值个数比较少的属性
为了解决这个问题: 并不是直接选择信息增益率最大的那个特征,而是候选特征中找出信息增益高于平均水平的特征,然后在这些特征中再选择信息增益率最高的特征
工作原理
1.创建分支:
检测数据集中的所有数据的分类标签是否相同: If so return 类标签 Else: 寻找划分数据集的最好特征(划分之后信息熵最小,也就是信息增益最大的特征) 划分数据集 创建分支节点 for 每个划分的子集 调用函数 createBranch (创建分支的函数)并增加返回结果到分支节点中 return 分支节点
实现代码:
1.计算信息熵:
def calcShannonEnt(dataSet): # 求list的长度,表示计算参与训练的数据量 numEntries = len(dataSet) # 计算分类标签label出现的次数 labelCounts = {} # the the number of unique elements and their occurance for featVec in dataSet: # 将当前实例的标签存储,即每一行数据的最后一个数据代表的是标签 currentLabel = featVec[-1] # 为所有可能的分类创建字典,如果当前的键值不存在,则扩展字典并将当前键值加入字典。每个键值都记录了当前类别出现的次数。 if currentLabel not in labelCounts.keys(): labelCounts[currentLabel] = 0 labelCounts[currentLabel] += 1 # 对于 label 标签的占比,求出 label 标签的香农熵 shannonEnt = 0.0 for key in labelCounts: # 使用所有类标签的发生频率计算类别出现的概率。 prob = float(labelCounts[key])/numEntries # 计算香农熵,以 2 为底求对数 shannonEnt -= prob * log(prob, 2) return shannonEnt
2.按照给定特征划分数据集
def splitDataSet(dataSet, index, value): """splitDataSet(通过遍历dataSet数据集,求出index对应的colnum列的值为value的行) 就是依据index列进行分类,如果index列的数据等于 value的时候,就要将 index 划分到我们创建的新的数据集中 Args: dataSet 数据集 待划分的数据集 index 表示每一行的index列 划分数据集的特征 value 表示index列对应的value值 需要返回的特征的值。 Returns: index列为value的数据集【该数据集需要排除index列】 """ retDataSet = [] for featVec in dataSet: # index列为value的数据集【该数据集需要排除index列】 # 判断index列的值是否为value if featVec[index] == value: # chop out index used for splitting # [:index]表示前index行,即若 index 为2,就是取 featVec 的前 index 行 reducedFeatVec = featVec[:index] reducedFeatVec.extend(featVec[index+1:]) # [index+1:]表示从跳过 index 的 index+1行,取接下来的数据 # 收集结果值 index列为value的行【该行需要排除index列】 retDataSet.append(reducedFeatVec) return retDataSet
3.选择最好的数据集划分:
def chooseBestFeatureToSplit(dataSet): """chooseBestFeatureToSplit(选择最好的特征) Args: dataSet 数据集 Returns: bestFeature 最优的特征列 """ # 求第一行有多少列的 Feature, 最后一列是label列嘛 numFeatures = len(dataSet[0]) - 1 # 数据集的原始信息熵 baseEntropy = calcShannonEnt(dataSet) # 最优的信息增益值, 和最优的Featurn编号 bestInfoGain, bestFeature = 0.0, -1 # iterate over all the features for i in range(numFeatures): # create a list of all the examples of this feature # 获取对应的feature下的所有数据 featList = [example[i] for example in dataSet] # get a set of unique values # 获取剔重后的集合,使用set对list数据进行去重 uniqueVals = set(featList) # 创建一个临时的信息熵 newEntropy = 0.0 # 遍历某一列的value集合,计算该列的信息熵 # 遍历当前特征中的所有唯一属性值,对每个唯一属性值划分一次数据集,计算数据集的新熵值,并对所有唯一特征值得到的熵求和。 for value in uniqueVals: subDataSet = splitDataSet(dataSet, i, value) # 计算概率 prob = len(subDataSet)/float(len(dataSet)) # 计算信息熵 newEntropy += prob * calcShannonEnt(subDataSet) # gain[信息增益]: 划分数据集前后的信息变化, 获取信息熵最大的值 # 信息增益是熵的减少或者是数据无序度的减少。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值。 infoGain = baseEntropy - newEntropy print 'infoGain=', infoGain, 'bestFeature=', i, baseEntropy, newEntropy if (infoGain > bestInfoGain): bestInfoGain = infoGain bestFeature = i return bestFeature
4.创建树:
def createTree(dataSet, labels): classList = [example[-1] for example in dataSet] # 如果数据集的最后一列的第一个值出现的次数=整个集合的数量,也就说只有一个类别,就只直接返回结果就行 # 第一个停止条件:所有的类标签完全相同,则直接返回该类标签。 # count() 函数是统计括号中的值在list中出现的次数 if classList.count(classList[0]) == len(classList): return classList[0] # 如果数据集只有1列,那么最初出现label次数最多的一类,作为结果 # 第二个停止条件:使用完了所有特征,仍然不能将数据集划分成仅包含唯一类别的分组。 if len(dataSet[0]) == 1: return majorityCnt(classList) # 选择最优的列,得到最优列对应的label含义 bestFeat = chooseBestFeatureToSplit(dataSet) # 获取label的名称 bestFeatLabel = labels[bestFeat] # 初始化myTree myTree = {bestFeatLabel: {}} # 注:labels列表是可变对象,在PYTHON函数中作为参数时传址引用,能够被全局修改 # 所以这行代码导致函数外的同名变量被删除了元素,造成例句无法执行,提示'no surfacing' is not in list del(labels[bestFeat]) # 取出最优列,然后它的branch做分类 featValues = [example[bestFeat] for example in dataSet] uniqueVals = set(featValues) for value in uniqueVals: # 求出剩余的标签label subLabels = labels[:] # 遍历当前选择特征包含的所有属性值,在每个数据集划分上递归调用函数createTree() myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value), subLabels) # print 'myTree', value, myTree return myTree