决策树在分类、预测、规则提取等领域有着广泛的应用。
决策树是一种树状结果,它的每一个叶节点对应一个分类。构造决策树的核心问题是:在每一步如何选择适当的属性对样本做拆分。对于分类问题,从已知类标记的训练样本中学习并构造出决策树是一个自上而下,分而治之的过程。
常见的决策树算法如下:ID3算法
C4.5算法
CART算法
其中ID3是最经典的决策树分类算法。
ID3算法
ID3算法基于信息熵来选择最佳测试属性。它选择当前样本集中具有最大信息增益值的属性作为测试属性。
总的信息熵计算方式如下:
设S是s个数据样本的集合。假定某个类别有m个不同的取值:Ci(i = 1, 2, …, m)。设Si是某个类别Ci中的样本数。对于一个给定样本,它总的信息熵为:
其中,Pi是任意样本属于Ci的概率,一般可以用Si/s估计。
每个属性的信息熵计算方式如下:
假设一个属性A具有k个不同的值{a1, a2, …, ak},利用属性A将集合S划分为若干个子集 {S1, S2, …, Sk},其中Sj包含了集合S中属性A取aj值的样本。若选择属性A为测试属性,则这些子集就是从集合S的节点生长出来的新的叶子节点。设Sij是子集Sj中类别为Ci的样本数,则根据属性A划分样本的信息熵值为:
其中,,是子集Sj中类别为Ci的样本的概率。
最后,用属性A划分样本集S后所得的信息增益(Gain)为:
Gain值越大,说明选择测试属性A对于分类提供的信息越大,选择A之后对于分类的不确定程度越小。
ID3算法具体流程对当前样本集合,计算所有属性的信息增益(总的信息熵)
选择信息增益最大的属性作为测试属性,把测试属性取值相同的样本划分为同一个样本集
若子样本集的类别属性只含有单个属性,则分支为叶子节点,判断其属性值并标上相应的符号,然后返回调用出;否则对子样本集递归调用本算法
决策树案例
接下来通过一个案例来了解天气、是否周末、是否有促销对销量的影响。数据集格式如下:
计算信息熵值
1、计算总的信息熵值
参考公式:
销量有两种分类为:Ci = {高, 低}, 其中销量为高的为18个,销量为低的是16个。
故总的信息熵为:
通过以下Python代码计算总的信息熵值为:0.997502546369
#-*- coding: utf-8 -*-
importmath as m#计算总的信息熵
I_18_16 = -18 / 34.0 * m.log(18 / 34.0, 2) - 16 / 34.0 * m.log(16 / 34.0, 2)print I_18_16
2、计算每个测试属性(天气、是否周末、是否有促销)的信息熵值
2.1 天气
天气好的情况:销量高的有11个,销量低的有6个
天气坏的情况:销量高的有7个,销量低的有10个
分别计算天气好和天气坏的信息熵为:
天气好的信息熵为:0.936667381878
天气坏的信息熵为:0.964078764808
根据公式:
天气属性的信息熵为:0.950373073343
根据公式:
计算属性「天气」属性的增益值为:
Gain(天气) = 0.0471294730262
同理,通过以上方式,我们可以计算得到「是否周末、是否有促销」的增益值,分别为:
天气属性的增益值为:0.047129
是否周末属性的增益值为:0.139394
是否有促销属性的增益值为:0.127268
故增益最大的属性为:是否为周末。
基于以上结论,以是否为周末作为根节点来构建决策树。
计算代码如下:
#-*- coding: utf-8 -*-
importmath as m#计算二分类信息熵#s1, s2必须是浮点数
defcalc(s1, s2):return - s1 / (s1 +s2) * m.log(s1 / (s1 +s2), 2) - s2 / (s1 +s2) * m.log(s2 / (s1 +s2), 2)#计算总的信息熵
print u'总的信息熵为:'
print calc(18.0, 16.0)print '- -' * 10
print '天气属性信息熵与增益值计算'
#计算天气好的信息熵为
print calc(11.0, 6.0)#计算天气坏的信息熵为
print calc(7.0, 11.0)#计算天气属性的信息熵为
come_weather = 17 / 34.0 * calc(11.0, 6.0) + 17 / 34.0 * calc(7.0, 11.0)printcome_weather#计算天气属性的增益值为
print '天气属性的增益值为:%f' % (calc(18.0, 16.0) -come_weather)print '- -' * 10
print '是否周末属性信息熵与增益值计算'
#计算是周末的信息熵为
print calc(11.0, 3.0)#计算不是周末的信息熵为
print calc(7.0, 13.0)#计算是否周末属性的信息熵为
come_weekday = 14 / 34.0 * calc(11.0, 3.0) + 20 / 34.0 * calc(7.0, 13.0)print '是否周末属性的增益值为:%f' % (calc(18.0, 16.0) -come_weekday)print '- -' * 10
print '是否有促销属性信息熵与增益值计算'
#计算有促销的信息熵为
print calc(15.0, 7.0)#计算不是周末的信息熵为
print calc(9.0, 3.0)#计算是否周末属性的信息熵为
come_sales = 22 / 34.0 * calc(15.0, 7.0) + 12 / 34.0 * calc(9.0, 3.0)print '是否有促销属性的增益值为:%f' % (calc(18.0, 16.0) - come_sales)
使用python构建决策树模型
#-*- coding: utf-8 -*-
importsys
reload(sys)
sys.setdefaultencoding('utf-8')#1. 导入pandas库
importpandas as pd#2.读取excel数据
data = pd.read_excel('sales_data.xls', index_col=u'序号')#3. 数据是类别标签,需要将数据转换为数字#用1表示好、是、高#用-1表示坏、否、低
data[data == u'好'] = 1data[data== u'是'] = 1data[data== u'高'] = 1data[data!= 1] = -1
#3.1 获取除索引列以外的3列
x = data.iloc[:,:3].as_matrix().astype(int)#3.2 获取销量列
y = data.iloc[:,3].as_matrix().astype(int)#4. 导入决策树模型
from sklearn.tree importDecisionTreeClassifier as DTC#5. 构建基于信息熵的决策树模型
dtc = DTC(criterion='entropy')#6. 训练模型
fit = dtc.fit(x, y)