《机器学习实战》python3代码（3）：决策树

决策树的优缺点

优点：

1.计算复杂度不高（对比KNN），顾运算较快
2.结果容易可视化（即书中可视化部分的代码）
3.对缺失值不敏感，能处理不相关特征的数据
4.适合处理数值型和标称型数据（什么是数值型和标称型？：https://www.jianshu.com/p/500c2918723f）

缺点：

1.不支持在线学习。即在新样本导入的时候，需要重建决策树。
2.容易过拟合。但是决策森林可以有效减少过拟合.

决策树的思想

通过不断计算数据集的熵（即数据的无序程度，熵越高越无序）来划分数据集，达到出口后停止分隔，最终得到一棵决策树。
熵的计算公式：见书

决策树的构造流程（递归）

1.递归出口：

所有类标签完全相同，或用完了所有特征，也无法将数据集划分为仅包含唯一类别的的分组

2.步骤一：

遍历特征，找出最佳分隔数据集的特征

3.步骤二：

根据该特征的各种取值，建立子节点。（如当前最佳分隔特征为特征0， 其取值可能为1， 2， 3，则建立三个子节点）

步骤三：

直到递归出口。需要注意的是，如果遇到了“用完了所有特征，也无法将数据集划分为仅包含唯一类别的的分组”的情况，就取出现次数最多的类别。

决策树的构建（代码）

计算香农熵

def calcShannonEnt(dataSet):
    numEntries = len(dataSet)
    labelCounts = {}
    for featVec in dataSet:
        currentLabel = featVec[-1]
        if currentLabel not in labelCounts.keys():
            labelCounts[currentLabel] = 0
        labelCounts[currentLabel] += 1
    shannonEnt = 0.0
    for key in labelCounts:
        prob = float(labelCounts[key])/numEntries
        shannonEnt -= prob*log(prob, 2)
    return shannonEnt

该代码块比较容易理解，即计算数据集中每个分类结果出现的概率，再根据计算熵的公式进行计算

划分数据集

由上述 决策树的过程 得知，我们需要划分数据集，根据划分后的熵来确定最佳分隔。以下是划分数据集的代码

def splitDataSet(dataSet, axis, value):
    retDataSet = []
    for featVec in dataSet:
        if featVec[axis] == value:
            reducedFeatVec = featVec[:axis]
            reducedFeatVec.extend(featVec[axis+1:])
            retDataSet.append(reducedFeatVec)
    return  retDataSet

该函数有三个参数，数据集， 划分数据在数据集中的位置，划分数据的值

通俗理解就是，找到数据集中第axis个特征值为value的部分，并删除第axis个特征，得到一个新的数据集

例如数据集[[1,1,‘yes’], [1,1,‘yes’], [1,0,‘no’],[0,1,‘no’]]
我们运行splitDataSet(dataset, 1, 1)
得到的结果为[[1, ‘yes’], [1, yes], [0, no]]

选择最好的划分方式的函数

def chooseBestFeatureToSplit(dataSet):
    numFeature = len(dataSet[0])-1
    baseEntropy = calcShannonEnt(dataSet)
    bestInfoGain = 0.0
    bestFeature = -1
    for i in range(numFeature):
        featList = [example[i] for example in dataSet]
        uniqueVals = set(featList)
        newEntropy = 0.0
        for value in uniqueVals:
            subDataSet = splitDataSet(dataSet, i, value)
            prob = len(subDataSet)/float(len(dataSet))
            newEntropy += prob * calcShannonEnt(subDataSet)#新数据集长短不一，需要分权求和
        infoGain = baseEntropy - newEntropy#信息增益，即熵减
        if infoGain > bestInfoGain:#  即新计算出来的熵小于原数据的熵，即无序度减少
            bestInfoGain = infoGain
            bestFeature = i
    return bestFeature

遍历所有特征划分数据集，对每种特征划分后的数据集分权求和，找到熵减最大的特征，即最佳特征。

得到出现次数最多的分类的代码

当决策树遇到第二种递归出口时，就需要找到出现次数最多的分类，将其视为当前分类

def majorityCnt(classList):
    classCount = {}
    for vote in classList:
        if vote not in classCount.keys():
            classCount[vote] = 0
        classCount[vote] += 1
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]

构建决策树的代码

def createTree(dataSet, labels):
    classList = [example[-1] for example in dataSet]
    if classList.count(classList[0]) == len(classList):
        return classList[0]
    if len(dataSet[0]) == 1:
        return majorityCnt(classList)
    bestFeat = chooseBestFeatureToSplit(dataSet)
    bestFeatLabel = labels[bestFeat]
    myTree = {bestFeatLabel: {}}
    del(labels[bestFeat])
    featValues = [example[bestFeat] for example in dataSet]
    uniqueVals = set(featValues)
    for value in uniqueVals:
        subLabels = labels[:]
        myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value), subLabels)
    return myTree

递归构建决策树，用到了上述的各个函数 。

用构建好的决策树模型分类数据集

模型已经训练好.输入数据集即可进行分类。
需要注意的是，我们并不知道属性在数据集中的对应位置。所以要同时输入属性标签，将标签字符串转化为索引。

def classify(tree, featLabels, testVec):
    firstStr = list(tree.keys())[0]
    secondDict = tree[firstStr]
    featIndex = featLabels.index(firstStr)   #第一个key在标签中的下标
    for key in secondDict.keys():
        if testVec[featIndex] == key:
            if type(secondDict[key]).__name__ == 'dict':
                classLabel = classify(secondDict[key], featLabels, testVec)
            else:
                classLabel = secondDict[key]
    return classLabel

这也是个递归函数。当递归进行到叶子节点时，结束并返回结果。

存取决策树的函数

def storeTree(tree, fileName):
    fw = open(fileName, 'wb')
    pickle.dump(tree, fw)
    fw.close()

def grabTree(fileName):
    fr = open(fileName, 'rb')
    return pickle.load(fr)

这里要注意，书上的代码为py2，py3进行了一些改动，存取时都需要加上一个参数
具体来说，就是保存决策树和读取决策树。需要注意的是py2中原书中代码确实无误，但是在py3中运行时需要注意，写入数据不能只用‘w’，必须用‘wb’，因为Python3给open函数添加了名为encoding的新参数，而这个新参数的默认值却是‘utf-8’。这样在文件句柄上进行read和write操作时，系统就要求开发者必须传入包含Unicode字符的实例，而不接受包含二进制数据的bytes实例。同样的， 读出数据时也需‘rb’模式。

实战：预测隐形眼镜类型

fr = open("D:\machine learning actual combat\lenses.txt")
lenses = [inst.strip().split('\t') for inst in fr.readlines()]
lensesLabels = ['age', 'prescript', 'astigmatic', 'tearRate']
lensesTree = createTree(lenses, lensesLabels)
print(lensesTree)

lenses.txt为本书提供的数据集，可到github下载
或参考此博客：https://blog.csdn.net/sinat_29957455/article/details/79123394

可视化部分由于作者的偷懒，并没有进行代码的实现
大二小白一枚，欢迎指正也欢迎讨论