机器学习（三）决策树_机器学习决策树实例天气-CSDN博客

例如，我们要对“今天是否出去玩”这样的问题进行决策时，通常会进行一系列的判断或"子决策"：我们先看今天的天气是晴天、多云还是下雨，如果是晴天再判断温度高还是正常，如果高就不出去，正常就出去；如果是多云就出去；如果是下雨再判断风强不强，风强就不出去，风弱就出去。基于上述思路，可构造一个如图所示决策树：

由图可以看出决策树由结点和有向边组成。结点有两种类型：内部结点和叶结点，内部结点表示一个特征或属性，叶结点表示一个类。从根结点到叶结点的每一条路径构成一条规则：路径上的内部结点对应着规则的条件，叶结点的类对应着规则的结论。

决策树学习的目的是为了产生一棵泛化能力强，即处理未见示例能力强的决策树。

决策树是一种典型的分类方法：

首先对数据进行处理，利用归纳算法生成可读的规则和决策树
然后使用决策对新数据进行分析

本质上决策树是通过一系列规则对数据进行分类的过程。

二、决策树的构造

2.1特征选择

决策树学习的关键在于如何选择最优划分属性。一般而言，随着划分过程不断进行，我们希望决策树的分支结点所包含的样本尽可能属于同一类别，即结点的“纯度”越来越高

经典的属性划分方法：

信息增益：ID3
增益率：C 4.5
基尼指数：CART

2.1.1信息增益（ID3）

信息熵

信息熵是度量样本集合纯度最常用的一种指标，假定当前样本集合D中第k类样本所占的比例为 pk (K=1, 2, .. |y|) ，则D的信息熵定义为：

$Ent(D) = -\sum_{k=1}^{|y|}p_{k}log_{2}p_{k}$

Ent(D)的值越小，则D的纯度越高；熵值越大，随机变量的不确定性越大
计算信息熵时约定：若p = 0，则plog2p=0 ， Ent(D)的最小值为0，最大值为log2 |y|；
当随机变量只有两个值，例如1, 0时，即X的分布为 P(X=1)=p , P(X=0)=1-p , 0<=p<=1。计算可知，当p=0或p=1时，H(p)=0，随机变量完全没有不确定性。

信息增益

离散属性a有V个可能的取值{ $a^1$ , $a^2$ , ..., $a^v$ }，用a来进行划分，则会产生V个分支结点，其中第v个分支结点包含了D中所有在属性a上取值为 $a^v$ 的样本，记为 $D^v$ 。则可计算出用属性a对样本集D进行划分所获得的信息增益：

$Gain(D,a) = Ent(D) - \sum_{v=1}^{V}\frac{|D^{v}|}{|D|}Ent(D^v)$

一般而言，信息增益越大，则意味着使用属性a来进行划分所获得的 “纯度提升”越大

ID3（Iterative Dichotomiser，迭代二分器）决策树学习算法[Quinlan, 1986] 以信息增益为准则来选择划分属性

信息增益的算法

设训练数据集为D
|D|表示其样本容量，即样本个数
设有K个类 $C_{k}$ ，k=1，2...K，| $C_{k}$ |为属于类 $C_{k}$ 的样本个数
特征A有n个不同的取值{ $a_{1},a_{2}...a_{n}$ }，根据特征A的取值将D划分为n个子集 $D_{1}...D_{n}$
$|D_{i}|$ 为 $D_{i}$ 的样本个数
记子集 $D_{i}$ 中属于类 $C_{k}$ 的样本集合为 $D_{ik}$ ， $|D_{ik}|$ 为 $D_{ik}$ 的样本个数

输入：训练数据集和特征A

输出：特征A对训练数据集D的信息增益G（D,A）

信息熵为：

$Ent(D) = -\sum_{k=1}^{K}\frac{|C_{k}|}{|D|}log_{2}\frac{|C_{k}|}{|D|}$

计算信息增益：

$Gain(D,A) = Ent(D) - \sum_{i=1}^{n}\frac{|D_{i}|}{|D|}\sum_{k=1}^{K}\frac{|D_{ik}|}{|D_{i}|}log_{2}\frac{|D_{ik}|}{|D_{i}|}$

2.1.2 信息增益率

以信息增益作为划分训练数据集的特征，存在偏向于选择取值较多的特征。

如上图，若把“编号”作为一个候选划分属性：

信息熵为： $Ent(D) = -(\frac{8}{17}log_{2}\frac{8}{17} + \frac{9}{17}log_{2}\frac{9}{17}) =0.998$
每个编号的信息熵为： $Ent(D^{v}) = (-(1log_{2}1)+ 0log_{2}0)) = 0$
信息增益为：Gain(D,编号）= 0.998 - 0 = 0

编号的信息增益远大于其他属性。显然，这样的决策树不具有泛化能力，无法对新样本进行有效预测。

使用信息增益率可以对这一问题进行校正。

信息增益率：特征a对训练数据集D的信息增益比定义为信息增益与训练数据集D关于特征A的值的熵之比：

$Gr(D,a)= \frac{Gain(D,a)}{IV(a)}$

其中

$IV(a) = -\sum_{v=1}^{V}\frac{|D^{v}|}{|D|}log_2\frac{|D^{v}|}{|D|}$

称为属性a的“固有值”(intrinsic value) [Quinlan, 1993]. 属性a的可能取值数目越多(即V越大)，则IV(a) 的值通常会越大。

信息增益率对属性值较少的属性比较偏好。

C4.5算法并不是直接选择增益率最大的作为候选划分属性，而是使用一个启发式：先从候选划分属性中找出信息增益高于平均水平的属性（保证属性值多的属性被选择），再从中选择增益率最高的（在属性值多的属性中挑属性值少的属性），这样是保证了相对准确。

2.1.3 基尼指数

定义：分类问题中，假设D有K个类，样本点属于第k类的概率为 $p_{k}$ , 则概率分布的基尼值定义为：

$Gini(D) = \sum_{k=1}^{K}p_k(1-p_{k}) =1-\sum_{k=1}^{K}p_{k}^{2}$

Gini(D)越小，数据集D的纯度越高

给定数据集D，属性a的基尼指数定义为：

$Gini_{index}(D,a) = \sum_{v=1}^{V}\frac{|D^v|}{|D|}Gini(D^v)$

在候选属性集合A中，选择那个使得划分后基尼指数最小的属性作为最有划分属性。

2.2 生成决策树

2.2.1 划分数据集

上面一共介绍了三种方法进行特征选择，以信息增益的示例来划分属性：

按照给定特征划分数据集：

'''
dataSet - 待划分的数据集
axis - 划分数据集的特征
value - 需要返回的特征的值
'''
def splitDataSet(dataSet, axis, value):       
    retDataSet = []                                        #创建返回的数据集列表
    for featVec in dataSet:                             #遍历数据集
        if featVec[axis] == value:
            reducedFeatVec = featVec[:axis]                #去掉axis特征
            reducedFeatVec.extend(featVec[axis+1:])     #将符合条件的添加到返回的数据集
            retDataSet.append(reducedFeatVec)
    return retDataSet                                      #返回划分后的数据集

计算给定数据集的信息熵：

def calcShannonEnt(dataSet):
    numEntires = len(dataSet)                        #返回数据集的行数
    labelCounts = {}                                #保存每个标签(Label)出现次数的字典
    for featVec in dataSet:                            #对每组特征向量进行统计
        currentLabel = featVec[-1]                    #提取标签(Label)信息
        if currentLabel not in labelCounts.keys():    #如果标签(Label)没有放入统计次数的字典,添加进去
            labelCounts[currentLabel] = 0
        labelCounts[currentLabel] += 1                #Label计数
    shannonEnt = 0.0                                #经验熵(香农熵)
    for key in labelCounts:                            #计算香农熵
        prob = float(labelCounts[key]) / numEntires    #选择该标签(Label)的概率
        shannonEnt -= prob * log(prob, 2)            #利用公式计算
    return shannonEnt                                #返回经验熵(香农熵)

选择最优特征进行划分：

def chooseBestFeatureToSplit(dataSet):
    numFeatures = len(dataSet[0]) - 1                    #特征数量
    baseEntropy = calcShannonEnt(dataSet)                 #计算数据集的香农熵
    bestInfoGain = 0.0                                  #信息增益
    bestFeature = -1                                    #最优特征的索引值
    for i in range(numFeatures):                         #遍历所有特征
        #获取dataSet的第i个所有特征
        featList = [example[i] for example in dataSet]
        uniqueVals = set(featList)                         #创建set集合{},元素不可重复
        newEntropy = 0.0                                  #经验条件熵
        for value in uniqueVals:                         #计算信息增益
            subDataSet = splitDataSet(dataSet, i, value)         #subDataSet划分后的子集
            prob = len(subDataSet) / float(len(dataSet))           #计算子集的概率
            newEntropy += prob * calcShannonEnt(subDataSet)     #根据公式计算经验条件熵
        infoGain = baseEntropy - newEntropy                     #信息增益
        # print("第%d个特征的增益为%.3f" % (i, infoGain))            #打印每个特征的信息增益
        if (infoGain > bestInfoGain):                             #计算信息增益
            bestInfoGain = infoGain                             #更新信息增益，找到最大的信息增益
            bestFeature = i                                     #记录信息增益最大的特征的索引值
    return bestFeature                                             #返回信息增益最大的特征的索引值

2.2.2 递归构建决策树

显然，决策树的生成是一个递归过程。在决策树基本算法中，有三种情形会
导致递归返回:

当前结点包含的样本全属于同一类别，无需划分;
当前属性集为空，或是所有样本在所有属性上取值相同，无法划分;
当前结点包含的样本集合为空，不能划分.

代码实现如下：

#统计出现次数最多的元素（类标签）
def majorityCnt(classList):
    classCount = {}
    for vote in classList:                                        #统计classList中每个元素出现的次数
        if vote not in classCount.keys():classCount[vote] = 0   
        classCount[vote] += 1
    sortedClassCount = sorted(classCount.items(), key = operator.itemgetter(1), reverse = True)        #根据字典的值降序排序
    return sortedClassCount[0][0]                                #返回classList中出现次数最多的元素

创建决策树：

'''
 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
'''
def createTree(dataSet, labels, featLabels):
    classList = [example[-1] for example in dataSet]            #取分类标签(是否找到工作: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])                                        #删除已经使用特征标签
    featValues = [example[bestFeat] for example in dataSet]        #得到训练集中所有最优特征的属性值
    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

创建测试数据集（构建平均绩点，竞赛等级和实习经历判断是否能找到工作：平均绩点手动离散化为三个等级；竞赛等级：0表示未获奖，1表示获得校级奖项，2表示获得省级及以上奖项；实习经历：1表示有实习经历，0表示没有；结果“yes”表示找到工作，“no”表示未找到工作）

数据集如图：

代码如下：

if __name__ == '__main__':

    data = pd.read_csv("D:/syy/MachineLearning/data/data_td.csv")

    dataSet = data.values.tolist()

    labels = ['平均绩点', '竞赛等级', '实习经历']  

    featLabels = []

    myTree = createTree(dataSet, labels, featLabels)

    print(myTree)

运行结果如下：

2.2.3 决策树的可视化

import matplotlib
import matplotlib.pyplot as plt
 
# 定义文本框和箭头格式
decisionNode = dict(boxstyle="square", fc="0.8")  #boxstyle文本框样式、fc=”0.8” 是颜色深度
leafNode = dict(boxstyle="round4", fc="0.8")      #叶子节点
arrow_args = dict(arrowstyle="<-")                #定义箭头
 
# 绘制带箭头的注解
def plotNode(nodeTxt, centerPt, parentPt, nodeType):
    #createPlot.ax1是表示： ax1是函数createPlot的一个属性
    createPlot.ax1.annotate(nodeTxt, xy=parentPt, xycoords='axes fraction',xytext=centerPt,
                            textcoords='axes fraction',va="center", ha="center", bbox=nodeType, arrowprops=arrow_args)
 
# 获取叶节点的数目和树的层数
def getNumLeafs(myTree):
    numLeafs = 0                                      # 初始化
    firstStr = list(myTree.keys())[0]                 # 获得第一个key值（根节点）
    secondDict = myTree[firstStr]                     # 获得value值
    for key in secondDict.keys():
        if type(secondDict[key]).__name__ == 'dict':  # 测试节点的数据类型是否为字典
            numLeafs += getNumLeafs(secondDict[key])  # 递归调用
        else:
            numLeafs += 1
    return numLeafs
 
# 获取树的深度
def getTreeDepth(myTree):
    maxDepth = 0                                           # 初始化
    firstStr = list(myTree.keys())[0]                      # 获得第一个key值（根节点）
    secondDict = myTree[firstStr]                          # 获得value值
    for key in secondDict.keys():
        if type(secondDict[key]).__name__ == 'dict':       # 测试节点的数据类型是否为字典
            thisDepth = 1 + getTreeDepth(secondDict[key])  # 递归调用
        else:
            thisDepth = 1
        if thisDepth > maxDepth:
            maxDepth = thisDepth
    return maxDepth
 
# 在父子节点间填充文本信息
def plotMidText(cntrPt, parentPt, txtString):
    xMid = (parentPt[0] - cntrPt[0]) / 2.0 + cntrPt[0]
    yMid = (parentPt[1] - cntrPt[1]) / 2.0 + cntrPt[1]
    createPlot.ax1.text(xMid, yMid, txtString, va="center", ha="center", rotation=30)
 
# 画树
def plotTree(myTree, parentPt, nodeTxt):
    numLeafs = getNumLeafs(myTree)        # 获取树高
    depth = getTreeDepth(myTree)          # 获取树深度
    firstStr = list(myTree.keys())[0]     # 这个节点的文本标签
    cntrPt = (plotTree.xOff + (1.0 + float(numLeafs)) / 2.0 / plotTree.totalW, plotTree.yOff) #plotTree.totalW, plotTree.yOff全局变量，追踪已经绘制的节点，以及放置下一个节点的恰当位置
    plotMidText(cntrPt, parentPt, nodeTxt)                #标记子节点属性
    plotNode(firstStr, cntrPt, parentPt, decisionNode)
    secondDict = myTree[firstStr]
    plotTree.yOff = plotTree.yOff - 1.0 / plotTree.totalD  #减少y偏移
    for key in secondDict.keys():
        if type(secondDict[key]).__name__ == 'dict':
            plotTree(secondDict[key], cntrPt, str(key))
        else:
            plotTree.xOff = plotTree.xOff + 1.0 / plotTree.totalW
            plotNode(secondDict[key], (plotTree.xOff, plotTree.yOff), cntrPt, leafNode)
            plotMidText((plotTree.xOff, plotTree.yOff), cntrPt, str(key))
    plotTree.yOff = plotTree.yOff + 1.0 / plotTree.totalD
 
# 绘制决策树
def createPlot(inTree):
    fig = plt.figure(1, facecolor='white')                          # 创建一个新图形
    fig.clf()                                                       # 清空绘图区
    font = {'family': 'MicroSoft YaHei'}
    matplotlib.rc("font", **font)
    axprops = dict(xticks=[], yticks=[])
    createPlot.ax1 = plt.subplot(111, frameon=False, **axprops)
    plotTree.totalW = float(getNumLeafs(inTree))
    plotTree.totalD = float(getTreeDepth(inTree))
    plotTree.xOff = -0.5 / plotTree.totalW;
    plotTree.yOff = 1.0;
    plotTree(inTree, (0.5, 1.0), '')
    plt.show()

测试结果