西瓜书决策树实现（基于ID3）补充——采用自定义数据结构实现

本文链接：https://blog.csdn.net/weixin_45316967/article/details/107735844

本文介绍了在实现决策树（基于ID3）时，使用自定义数据结构而非Python字典的优势。通过自定义节点结构，可以更方便地添加额外元素如父节点指针，以优化预剪枝和后剪枝操作。同时，提供了将自定义节点结构转换为轻量级字典的方法，以便于利用现有的图解工具绘制决策树。

摘要由CSDN通过智能技术生成

刚刚写过一篇决策树实现的案列，树结构采用python自带的字典作为存储决策树的数据结构，为了下一步便于实现预剪枝和后剪枝，老叔认为采用自定义数据结构可能会更便于操作，也更灵活，可以在节点随意添加自己认为重要的元素。节点定义如下：

class Node(object):
    #定义节点类，类数据为样本列表，以及剩余属性列表
    def __init__(self, node_dataset, node_A):
        
        #节点的样本集合，可有可无
        self.node_dataset = node_dataset
        #节点的剩余特征集合
        self.node_A = node_A
        #叶结点标记，如果是叶结点，self.label为叶结点的标签值
        self.label = None
        #根结点标记，如果是根结点，self.ai_best为结点样本的最优增益特征
        self.ai_best = None
        #将子节点的指针为字典，key为特征标签，value为子节点地址
        self.child = {
   }

这时，决策树生成函数其实和字典差不多，不同的是此次函数返回的是一个根节点的地址，而不是字典。代码如下：

def TreeGenerate(node_dataset, A):
    
    #data,A生成节点
    node = Node(node_dataset, A)
    #如果样本标签相同，标记该节点为叶节点，节点标签为样本标签，并且返回节点指针
    if is_the_same_jugement(node_dataset):