决策树
决策树本质上是一种流程图，长方形代表判断模块，椭圆代表终止模块，左右箭头指引节点的上下分支
决策树相比较于KNN，其重要的原因就是其数据形式非常容易理解，而KNN的数据形式所包含的内在含义却不是很容易理解
优点
计算复杂度不高，可以处理不相关特征数据，对中间数据的缺省值不敏感
缺点
会产生过度匹配问题
信息论划分数据集
"""划分数据集的伪代码"""
检测数据集是否属于同一类：
if so return 类标签
else:
寻找划分数据集的最好特征
划分数据集
创建分支节点
for 每个划分的子类
调用函数createBranch并增加返回节点到结果上
return 分支节点
决策树的流程
- 收集数据：可以使用任何方法
- 准备数据：树构造算法适用于标称型数据，如果数据是数值型数据，需要先把数据进行离散化
- 分析数据：构造树完成，进行检查
- 训练算法：构造树的数据结构
- 测试算法：使用经验树计算错误率
- 使用算法
信息增益与信息熵
划分数据集的最大原则是，将无序的数据变得更加有序
信息增益：划分数据集前后信息发生的变化称为信息增益
计算每个特征划分数据集获得的信息增益，获得信息增益最高的特征就是最好的选择
如何计算信息增益？
集合信息的度量方式称为香农熵
熵定义为信息的期望值：
符号
x
i
x_i
xi的信息定义为
l
(
x
i
)
=
−
l
o
g
2
p
(
x
i
)
l(x_i) = -log_2p(x_i)
l(xi)=−log2p(xi)，p(x_i)是选择该分类的概率
则信息熵为：
H
=
−
∑
i
=
1
n
p
(
x
i
)
l
o
g
2
p
(
x
i
)
H = -\sum\nolimits_{i=1}^{n}p(x_i)log_2p(x_i)
H=−∑i=1np(xi)log2p(xi),其中n是分类的数目
计算信息熵的源代码
"""
用于计算给定的信息熵
"""
"""
函数说明：计算给定数据集的经验熵（香农熵）
H = -SUM（kp*Log2（kp））
Parameters:
dataSet - 数据集
Returns:
shannonEnt - 经验熵（香农熵）
"""
def calcShannonEnt(dataSet):
# 返回数据集的行数
numEntires = len(dataSet)
# 保存每个标签（Label）出现次数的“字典”
labelCounts = {}
# 对每组特征向量进行统计
for featVec in dataSet: # 按行进行遍历
# 提取标签（Label）信息
currentLabel = featVec[-1] # 取每一行最后一列特征值
# 如果标签（Label）没有放入统计次数的字典，添加进去
if currentLabel not in labelCounts.keys():
# 创建一个新的键值对，键为currentLabel值为0
labelCounts[currentLabel] = 0
# Label计数
labelCounts[currentLabel] += 1
# 经验熵（香农熵）
shannonEnt = 0.0
# 计算香农熵
for key in labelCounts:
# 选择该标签（Label）的概率
prob = float(labelCounts[key]) / numEntires
# 利用公式计算
shannonEnt -= prob*log(prob, 2)
# 返回经验熵（香农熵）
return shannonEnt
创建数据集
def createDataSet()：
dataSet = [[1, ,1 , 'yes'],[1, 1, 'yes'],[1, 0, 'no'],[0, 1, 'no'],[0, 1, 'no']]
labels = ['no surfacing', 'flippers']
return dataSet, labels
>> reload(trees.py)
>> myDat, labels = trees.createDataSet()
>> trees.calcShannonEnt(mydata)
划分数据集的算法与代码
一般可用二分法划分数据集，这里采用ID3算法进行划分数据集
香农熵可用来度量数据集的无序度，数据无序度越大，香农熵值越大。
分类算法除了需要测量信息熵还需要一个度量数据划分准确度的熵值，这就像在二维坐标中画直线进行划分平面坐标系、
- 按照给定特征划分数据集
"""
函数：按照给定的特征划分数据集
输入：
dataSet,数据集
axis, 划分数据集的特征
value, 需要返回的特征值
Return:
retDataSet,划分的数据集
"""
def splitDataSet(dataSet, axis, value):
retDataSet = []
for featVec in dataSet: # 按行遍历数据集
if featVec[axis] == value: # 去掉特征为axis的数据集
reducedFeatVec = featVec[:axis]
reducedFeatVec.extend(featVec[axis+1:]) # 扩展列表元素
retDataSet.append(reducedFeatVec) # 添加嵌套列表
return retDataSet
>> import DecisionTree as DT
>> mydat, labels = DT.createDataSet()
>> DT.splitDataSet(mydat, 0, 0)
>> DT.splitDataSet(mydat, 0, 1)
- 选择最好的数据集划分方式
"""
函数：选择最好的数据集划分方式
Para:
dataSet:数据集
return:
bestFeature:最好的特征的索引值
"""
def chooseBestFeatureToSplit(dataSet):
numFeatures = len(dataSet[0]) - 1 # 特征的个数-1
baseEntropy = calcShannonEnt(dataSet) # 计算数据集的香农熵
bestInfoGain = 0.0 ; bestFeature = -1 # 最大信息增益和最优划分特征的索引值
for i in range(numFeatures): # 遍历特征
featList = [example[i] for example in dataSet] # 列表生成式生成特征所有的取值
uniqueVals = set(featList) # 删去重复值
newEntropy = 0.0 # 香农熵
for values in uniqueVals: # 遍历特征值
subDataSet = splitDataSet(dataset, i , value) # 划分数据集
prob = len(subDataSet) / float(len(dataSet)) # 计算概率
newEntropy += prob * calcShannonEnt(subDataSet) # 计算经验条件熵
infoGain = baseEntropy - newEntropy # 信息增益值
print("第%d个特征的增益为%.3f" % (i, infoGain)) # 打印每个特征的信息增益，取正
if(infoGain > baseEntropy): # 找到对应最大信息增益的特征
baseInfoGain = infoGain
bestFeature = i
return bestFeature
>> DecisionTree.chooseBestFeaturToSplit(mydat)
递归构建决策树
当特征值多与两个的时候，就可能存在大于两个分支的数据集划分，这时我们就通过递归调用来实现它！
递归结束的条件
程序遍历完所有划分数据的属性，或者每个分支下的所有实例都具有相同的分类。如果所有实例都具有相同的分类，则得到一个叶子节点或者终止快。任何到达叶子结点所属的分类必然属于叶子节点的类。
"""
函数说明：统计classList中出现次数最多的元素（类标签）
Parameters:
classList - 类标签列表
Returns:
sortedClassCount[0][0] - 出现次数最多的元素（类标签）
"""
def majorityCnt(classList):
classCount = {}
# 统计classList中每个元素出现的次数
for vote in classList:
if vote not in classCount.keys():
classCount[vote] = 0
classCount[vote] += 1
# 根据字典的值降序排序
# operator.itemgetter(1)获取对象的第1列的值
sortedClassCount = sorted(classCount.items(), key = operator.itemgetter(1), reverse = True)
# 返回classList中出现次数最多的元素
return sortedClassCount[0][0]
创建决策树的代码
"""
函数说明：创建决策树（ID3算法）
递归有两个终止条件：1、所有的类标签完全相同，直接返回类标签
2、用完所有标签但是得不到唯一类别的分组，即特征不够用，挑选出现数量最多的类别作为返回
Parameters:
dataSet - 训练数据集
labels - 分类属性标签
featLabels - 存储选择的最优特征标签
Returns:
myTree - 决策树
"""
def createTree(dataSet, labels, featLabels):
classList = [example[-1] for example in dataSet] # 取分类标签（是否放贷：yes or no）
if classList.count(classList[0]) == len(classList): # 如果类别完全相同则停止继续划分
return classList[0]
if len(dataSet[0]) == 1: # 遍历完所有特征时返回出现次数最多的类标签
return majorityCnt(classList)
bestFeat = chooseBestFeatureToSplit(dataSet) # 选择最优特征
bestFeatLabel = labels[bestFeat] # 最优特征的标签
featLabels.append(bestFeatLabel)
myTree = {bestFeatLabel:{}} # 根据最优特征的标签生成树
del(labels[bestFeat]) # 删除已经使用的特征标签
featValues = [example[bestFeat] for example in dataSet] # 得到训练集中所有最优解特征的属性值
uniqueVals = set(featValues) # 去掉重复的属性值
for value in uniqueVals: # 遍历特征，创建决策树
myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value), labels, featLabels)
return myTree
>> my tree = DecisionTree.createTree(mydata,labels)
>> my tree
测试算法与分类器
测试算法构造分类器
"""
函数：使用决策树的分类函数
para:
inputree,
featLabels,
testVec
return:
classlabel,分类器
"""
def classify(inputTree, featLabels, testVec):
# 获取决策树结点
firstStr = next(iter(inputTree))
# 下一个字典
secondDict = inputTree[firstStr]
featIndex = featLabels.index(firstStr)
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
使用算法
"""
函数说明：存储决策树
Parameters:
inputTree - 已经生成的决策树
filename - 决策树的存储文件名
Returns:
None
"""
def storeTree(inputTree, filename):
with open(filename, 'wb') as fw:
pickle.dump(inputTree, fw)
"""
函数说明：读取决策树
Parameters:
filename - 决策树的存储文件名
Returns:
pickle.load(fr) - 决策树字典
"""
def grabTree(filename):
fr = open(filename, 'rb')
return pickle.load(fr)
269
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
