西瓜书总结——决策树原理+ID3决策树的模拟实现


前言


本文是对西瓜书中决策树章节的一个总结,将核心内容整理出来,帮助大家在短时间内快速建立一颗决策树。本文不侧重于帮大家理解,只是做一个知识点的总结,做一个“把书读薄”的工作。


1. 决策树结构


  • 一棵决策树,有一个根节点,若干个内部节点,若干个子节点;
  • 叶子结点对应于决策结果,其他每个节点都对应一个属性测试;
  • 每个节点的样本集合,根据属性测试的结果被划分到了子节点中;
  • 根节点包含样本全集。

2. 决策树的生成(注意区分属性和类别)


1. 生成过程:

  • 一个递归过程,对于一个节点,每次选择一个最优的划分属性,划分出n个子节点。

  • 有三种情况需要递归返回,并将当前的节点设为叶子结点,不再划分:

    • 当前节点包含的样本全属于同一类别,无需再分,将其判别结果设置为当前类别;
    • 当前属性集为空(属性全选一遍了,没有可选属性了), 所有样本在属性上取值相同,将其判别结果设为该节点所含样本最多的类别;
    • 当前节点包含的样本集为空,将其判别结果设置为其父节点所含样本最多的类别。

2. 核心任务:

  • 不难发现,生成过程中的一个核心任务,就是如何找到最优划分属性。

3. 划分选择


3.1 信息熵和信息增益


1. 信息熵(information entropy)

  • 度量样本集合纯度的一种指标,假设当前样本集合 D D D 中第 K K K 类所含样本比例为 P k ( k = 1 , 2 , . . . , ∣ y ∣ ) P_k(k=1,2,...,|y|) Pk(k=1,2,...,y),则 D D D 的信息熵为:
    E n t ( D ) = − ∑ k = 1 ∣ y ∣ P k l o g 2 P k Ent(D)=-\sum \limits_{k=1}^{|y|}P_klog_2P_k Ent(D)=k=1yPklog2Pk
    E n t ( D ) Ent(D) Ent(D) 的值越小, D D D 的纯度越高(熵表示混乱程度,当然是越小越纯)。
  • 注意:信息熵是对样本,对节点的概念。

2. 信息增益:

  • 选择划分属性的依据,信息增益越大,则使用该属性进行划分得到的“纯度提升”越大。假设属性 a a a V V V 个可能值 { a 1 , a 2 , . . . , a V } \{a^1,a^2,...,a^V\} {a1,a2,...,aV} (西瓜的颜色,就是一个属性,青绿和黄,就分别是两个取值)。用 a a a 对样本集 D D D 划分会产生 V V V 个分支节点,其中第 v v v 个分支包含了 D D D 中所有在属性 a a a 上取值为 a v a^v av 的样本,记为 D v D^v Dv D v D^v Dv是第 v v v个分支节点)。考虑到不同分支节点样本数不同,现对不同分支节点赋予权重 ∣ D v ∣ / ∣ D ∣ |D^v|/|D| Dv∣/∣D D v D^v Dv节点上的样本数比上 D D D节点中的样本数)。
  • 可计算出用属性 a a a 对样本集 D D D 划分所得的“信息增益”(information gain):
    G a i n ( D , a ) = E n t ( D ) − ∑ v = 1 V ∣ D v ∣ ∣ D ∣ E n t ( D v ) Gain(D, a)=Ent(D)-\sum \limits_{v=1}^{V}\dfrac{|D^v|}{|D|}Ent(D^v) Gain(D,a)=Ent(D)v=1VDDvEnt(Dv)
    父节点的信息熵 - 子节点信息熵带权加和。
  • 信息增益是对属性的概念,选择信息增益最大的属性作为划分属性。
  • ID3决策树就是以信息增益为准则来选择划分属性的,其中A是属性集合:
    a ∗ = argmaxGain(D,a) ⁡ a ∈ A a_*=\underset {a \in A} {\operatorname {argmaxGain(D,a)}} a=aAargmaxGain(D,a)

3. 计算信息熵的代码演示:

  • 其中data_set是样本集合,包含目标值和特征值,不含标签。数据类型为list
# 计算熵 -- 节点层面的概念,且只和目标值有关,和属性无关
def calcEntropy(data_set):
    # 1. 获取所有的样本数
    example_num = len(data_set)
    # 2. 计算每个类别出现的次数
    label_count = {}   # 一个字典
    for feat_vec in data_set:
        cur_label = feat_vec[-1] # 当前目标值
        if cur_label in label_count.keys():
            label_count[cur_label] += 1
        else:
            label_count[cur_label] = 1
    # 3. 计算熵值(对每个类别求熵值求和)
    entropy = 0   # 熵
    for key, value in label_count.items():
        # 每一个类别的概率值,即所占比例
        p = label_count[key] / example_num
        # 计算信息熵
        entropy += (-p * math.log(p, 2))
    return entropy

4. 根据信息增益选择划分属性的代码实现:

  • feature_index是选中的特征索引,value是选中的特征值。
# 根据当前选中的属性和属性值去划分数据集
def splitDataSet(data_set, feature_index, value):
    ret_dataset = [] # 二维列表
    for feat_vec in data_set:
        if feat_vec[feature_index] == value:
            # 将 feature_index 那一列删除
            delete_feat_vec = feat_vec[:feature_index]
            delete_feat_vec.extend(feat_vec[feature_index + 1:])
            # 将删除后的样本追加到新的 data_set 中
            ret_dataset.append(delete_feat_vec)
    return ret_dataset


# 选择最优划分属性,返回最优划分属性的索引
def chooseBestFeatureByEntropy(data_set):
    # 属性可取值数量(也可以把属性称为特征)
    num_features = len(data_set[0]) - 1
    # 计算该节点的熵(未划分时的熵值)
    cur_entropy = calcEntropy(data_set)
    # 信息增益
    best_info_gain = 0.0
    # 最优属性索引
    best_feature_index = -1
    # 遍历所有属性
    for i in range(num_features):
        # 拿到当前列的属性
        feat_list = [example[i] for example in data_set]
        # 获取唯一值
        unique_val = set(feat_list)
        # 分支节点信息熵带权加和
        sum_child_entropy = 0
        # 计算各分支(不同属性划分)的熵值
        for val in unique_val:
            # 根据当前属性划分 data_set, 得到分支节点 sub_data_set
            sub_data_set = splitDataSet(data_set, i, val)
            # 计算该节点权重
            weight = len(sub_data_set) / len(data_set)
            # 计算分支节点信息熵带权加和
            sum_child_entropy += (calcEntropy(sub_data_set) * weight)
        # 计算信息增益
        info_gain = cur_entropy - sum_child_entropy
        # 更新最大信息增益
        if best_info_gain < info_gain:
            best_info_gain = info_gain
            best_feature_index = i
    return best_feature_index

3.2 增益率


1. 信息增益的弊端:

  • 信息增益准则对值比较多的属性有所偏好;
  • 为减少这种偏好可能带来的不利影响,C4.5决策树使用“增益率”来选择最优划分属性。

2. 定义:

G a i n _ r a t i o ( D , a ) = G a i n ( D , a ) I V ( a ) Gain\_ratio(D,a)=\frac{Gain(D,a)}{IV(a)} Gain_ratio(D,a)=IV(a)Gain(D,a)

  • 其中
    I V ( a ) = − ∑ v = 1 V ∣ D v ∣ ∣ D ∣ log ⁡ 2 ∣ D v ∣ ∣ D ∣ IV(a)=-\sum \limits_{v=1}^{V}\frac{|D^v|}{|D|}\log_2{\frac{|D^v|}{|D|}} IV(a)=v=1VDDvlog2DDv
    I V ( a ) IV(a) IV(a) a a a 的“固有值”(intrinsic value), a a a 的值越多, I V ( a ) IV(a) IV(a) 越大。

3. 注意:

  • 增益率准则对值较少的属性有所偏好,因此C4.5会先找出信息增益高于平均水平的属性,再从中选择增益率最高的属性

3.3 基尼指数(鸡你指数)


1. 基尼值:
G i n i ( D ) = ∑ k = 1 ∣ y ∣ ∑ k ′ ≠ k P k P k ′ = 1 − ∑ k = 1 ∣ y ∣ P k 2 Gini(D)=\sum \limits_{k=1}^{|y|}\sum \limits_{k'\neq k}P_kP_{k'}=1-\sum \limits_{k=1}^{|y|}P_{k}^2 Gini(D)=k=1yk=kPkPk=1k=1yPk2

  • G i n i ( D ) Gini(D) Gini(D) 反映了从 D D D 中随机取两个样本,其类别不一样的概率;
  • G i n i ( D ) Gini(D) Gini(D) 越小, D D D 的纯度越高;
  • 基尼值也是对样本,对节点的概念。

2. 基尼指数:

G i n i _ i n d e x ( D , a ) = ∑ v = 1 V ∣ D v ∣ ∣ D ∣ G i n i ( D v ) Gini\_index(D,a)=\sum \limits_{v=1}^{V}\frac{|D^v|}{|D|}Gini(D^v) Gini_index(D,a)=v=1VDDvGini(Dv)

  • CART决策树使用“基尼指数”来选择划分属性,选择 G i n i _ i n d e x ( D , a ) Gini\_index(D,a) Gini_index(D,a) 最小的属性作为划分属性:
    a ∗ = argminGini_index(D,a) ⁡ a ∈ A a_*=\underset {a \in A} {\operatorname {argminGini\_index(D,a)}} a=aAargminGini_index(D,a)

3. 计算基尼值的代码实现:

def Gini(data_set):
    # 1. 获取所有的样本数
    example_num = len(data_set)

    # 2. 计算每个类别出现的次数
    label_count = {}  # 一个字典
    for feat_vec in data_set:
        cur_label = feat_vec[-1]  # 当前标签
        if cur_label in label_count.keys():
            label_count[cur_label] += 1
        else:
            label_count[cur_label] = 1

    # 3. 计算基尼值
    sum_p = 0
    for key, value in label_count.items():
        p = label_count[key] / example_num
        # 计算公式后面和的那一部分
        sum_p += p**2

    return 1 - sum_p

4. 根据基尼指数选择划分属性的代码实现:

# 根据当前选中的属性和属性值去划分数据集
def splitDataSet(data_set, feature_index, value):
    ret_dataset = [] # 二维列表
    for feat_vec in data_set:
        if feat_vec[feature_index] == value:
            # 将 feature_index 那一列删除
            delete_feat_vec = feat_vec[:feature_index]
            delete_feat_vec.extend(feat_vec[feature_index + 1:])
            # 将删除后的样本追加到新的 data_set 中
            ret_dataset.append(delete_feat_vec)
    return ret_dataset


# 选择最优划分属性,返回最优划分属性的索引
def chooseBestFeatureByGini(data_set):
    # 属性可取值数量(也可以把属性称为特征),列数
    num_features = len(data_set[0]) - 1
    # 当前基尼指数
    cur_gini_index = 0
    # 最优基尼指数
    best_gini_index = math.inf # 给最大值
    # 最优属性索引
    best_feature_index = -1
    for i in range(num_features):
        # 拿到当前列的属性
        feat_list = [example[i] for example in data_set]
        # 获取唯一值
        unique_val = set(feat_list)
        # 计算各分支的基尼值
        for val in unique_val:
            # 根据当前属性划分
            sub_data_set = splitDataSet(data_set, i, val)
            # 计算权重
            weight = len(sub_data_set) / len(data_set)
            # 计算分支基尼值,并加到基尼指数上
            cur_gini_index += weight * Gini(sub_data_set)
        # 更新最小的基尼指数
        if best_gini_index > cur_gini_index:
            best_gini_index = cur_gini_index
            best_feature_index = i
    return best_feature_index

4. 剪枝处理

  • 剪枝是对付“过拟合”的主要手段,可以通过主动去掉一些分支来降低过拟合风险。

4.1 预剪枝


1. 原理:

  • 在决策树生成过程中,若当前结点的划分不能带来决策树泛化性能的提升,则停止划分,并将当前节点标记为叶子结点。

2. 理解:

  • 假定判断泛化性能是否提升采用留出法,将数据随机划分成训练集和验证集。若划分后的 验证集精度 ≤ \leq 划分前的验证集精度,就禁止划分。

3. 预剪枝的缺点:

  • 有些分支的当前划分虽然不能提升泛化性能,甚至可能导致泛化性能暂时下降,但是在其基础上的后续划分却可能带来性能的显著提高;
  • 预剪枝基于“贪心”禁止这些节点展开,给决策树带来了欠拟合的风险。

4.2 后剪枝


1. 原理:

  • 后剪枝是先从训练集生成一颗完整的决策树,然后自底向上对非叶子结点进行考察,若将该节点对应的子树替换为叶子节点,能带来泛化性能的提升,则将该子树替换为叶子结点。

2. 理解:

  • 假定判断泛化性能是否提升采用留出法,将数据随机划分成训练集和验证集。若 剪枝后的验证集精度 ≥ \geq 剪枝前的验证集精度,就进行剪枝。

3. 优势和不足:

  • 后剪枝决策树的欠拟合风险很小(因为其要自底向上对所有非叶子节点进行考察),泛化性能往往优于预剪枝决策树;
  • 其训练时间开销比未剪枝决策树和预剪枝决策树大得多。

5. 连续值与缺失值处理


5.1 连续值处理


1. 连续值处理的必要性:

  • 目前为止,我们只讨论了离散属性生成决策树,现实的学习任务中,常常会遇到连续属性。我们有必要对连续属性做离散化的处理。

2. 二分法处理连续属性:

  • 给定样本集 D D D 和连续属性 a a a ,假设 a a a D D D 上出现了 n n n 个不同的取值,先将这些值从大到小排序,记为 { a 1 , a 2 , . . . , a n } \{a^1,a^2,...,a^n\} {a1,a2,...,an},基于划分点 t t t 可将 D D D 分为子集 D t − D_t^- Dt D t + D_t^+ Dt+。其中 D t − D_t^- Dt包含那些在属性 a a a 上取值不大于 t t t 的样本,而 D t + D_t^+ Dt+ 则包含那些在属性 a a a 上取值大于 t t t 的样本。

  • 对相邻的属性取值 a i a^i ai a i + 1 a^{i+1} ai+1 来说, t t t 在区间 [ a i , a i + 1 ) [a^i,a^i+1) [ai,ai+1) 中取任意值所产生的划分结果相同。因此,对连续属性 a a a ,我们可以得到一个划分点集合 T a T_a Ta
    T a = { a i + a i + 1 2 ∣ 1 ≤ i ≤ n − 1 } T_a=\{\frac{a^i+a^{i+1}}{2}|1\leq i \leq n-1\} Ta={2ai+ai+1∣1in1}

  • 随后,我们就可以像考察离散属性一样来考察这些分类点,选择最优的划分点进行集合的划分:
    G a i n ( D , a ) = maxGain(D,a,t) ⁡ t ∈ T a = maxEnt(D) ⁡ t ∈ T a − ∑ λ ∈ { − , + } ∣ D t λ ∣ ∣ D ∣ E n t ( D t λ ) Gain(D,a)=\underset {t \in T_a} {\operatorname {maxGain(D,a,t)}}=\underset {t \in T_a} {\operatorname {maxEnt(D)}}-\sum \limits_{\lambda \in \{-,+\}}\frac{|D_t^\lambda|}{|D|}Ent(D^\lambda_t) Gain(D,a)=tTamaxGain(D,a,t)=tTamaxEnt(D)λ{,+}DDtλEnt(Dtλ)
    G a i n ( D , a , t ) Gain(D,a,t) Gain(D,a,t) 是样本集 D D D 基于划分点 t t t 二分后的信息增益。于是,我们可以选择使 G a i n ( D , a , t ) Gain(D,a,t) Gain(D,a,t) 最大化的划分点。

3. 注意:

  • 与离散属性不同,若当前节点划分属性为连续值,则该属性还可能作为后续节点的划分属性(连续属性会被重复使用,只是每次的划分点可能不同)。

4. 连续值处理,代码示例

  • 准备数据:
from math import log2
import pandas as pd
import numpy as np

data = pd.DataFrame({
    'Hours Studied': [1, 2, 3, 4, 5],
    'Grade': ['合格', '不合格', '不合格', '合格', '合格']
})
  • 设计对应的熵计算函数:
# 计算节点的信息熵
def calculate_entropy(data, target):
    # 记录每个类别出现的次数
    values, counts = np.unique(data[target], return_counts=True)
    # 每个类别所占比例
    probs = counts / len(data)
    # 计算该样本集的熵
    entropy = -sum(p * log2(p) for p in probs if p > 0)
    return entropy
  • 计算初始熵,并对样本进行排序:
# 计算初始熵
initial_entropy = calculate_entropy(data, 'Grade')
print(f"初始熵: {initial_entropy}")
"""
初始熵: 0.9709505944546686
"""

# 对样本按连续值进行排序
sorted_data = data.sort_values('Hours Studied')
print(sorted_data)
"""
    Hours Studied Grade
0              1    合格
1              2   不合格
2              3   不合格
3              4    合格
4              5    合格
"""
  • 求最佳划分点,以及以该属性的该划分点划分的信息增益:
def calculate_information_gain(data, attribute, target, current_entropy):
    """

    :param data: 排序后的样本集
    :param attribute: 连续属性的标签
    :param target: 目标值标签
    :param current_entropy: 当前熵
    :return: 返回最优划分点 best_split,和以该属性的该划分点划分的信息增益 max_gain
    """
    values = data[attribute].unique() # 获取连续属性的唯一值
    max_gain = float('-inf') # 最大增益,初始化为负无穷
    best_split = None # 最优的划分属性

    for split in values:
        # 分割数据
        data_left = data[data[attribute] <= split]
        data_right = data[data[attribute] > split]

        # 计算信息增益
        gain = current_entropy - (len(data_left) / len(data)) * calculate_entropy(data_left, target) - (
                    len(data_right) / len(data)) * calculate_entropy(data_right, target)

        # 更新最佳分割点
        if gain > max_gain:
            max_gain = gain
            best_split = split

    return best_split, max_gain
  • 测试:
best_split, ig = calculate_information_gain(sorted_data, 'Hours Studied', 'Grade', initial_entropy)
print(f"最佳分割点: {best_split}, 信息增益: {ig}")
"""
最佳分割点: 3, 信息增益: 0.4199730940219749
"""

5.2 缺失值处理


1. 缺失值处理的必要性:

  • 现实任务中经常会遇到不完整的样本,即样本的某些属性值缺失。尤其是在属性数目较多的情况下,往往会有大量样本出现缺失值,如果简单的放弃不完整样本,显然是对数据的极大浪费。

2. 缺失值处理要解决的两个问题:

  • (1)如何在属性值缺失的情况下,进行划分属性选择?
  • (2)给定划分属性,若样本在该属性上缺失,该如何对样本进行划分?

3. 解决方法:

  • 给定训练集 D D D 和属性 a a a ,令 D ~ \tilde{D} D~ 表示 D D D 中在属性 a a a 上没有缺失值的样本子集。对问题(1),我们可以根据 D ~ \tilde{D} D~ 来判断属性 a a a 的优劣。假定属性 a a a V V V 个可能取值 { a 1 , a 2 , . . . , a V } \{a^1,a^2,...,a^V\} {a1,a2,...,aV},令 D ~ v \tilde{D}_v D~v 表示 D ~ \tilde{D} D~ 中在属性 a a a 上取值为 a v a^v av 的样本子集, D ~ k \tilde{D}_k D~k 表示 D ~ \tilde{D} D~ 中属于第 k k k 类( k = 1 , 2 , . . . , ∣ y ∣ k=1,2,...,|y| k=1,2,...,y)的样本子集。
  • 假定给每个样本 x \bf{x} x 赋予一个权重 w x w_{\bf{x}} wx,定义:
    • 无缺失样本所占比例:
      ρ = ∑ x ∈ D ~ w x ∑ x ∈ D w x \rho=\frac{\sum_{{\bf x} \in \tilde{D}}w_{\bf x}}{\sum _{{\bf x} \in D}w_{\bf x}} ρ=xDwxxD~wx
    • 无缺失样本中,第 k k k 类所占比例:
      p k ~ = ∑ x ∈ D k ~ w x ∑ x ∈ D ~ w x \tilde{p_k}=\frac{\sum _{{\bf x} \in \tilde{D_k}}w_{\bf x}}{\sum_{{\bf x}\in \tilde{D}}w_{\bf x}} pk~=xD~wxxDk~wx
    • 无缺失样本中,在属性 a a a 上取值 a v a^v av 的样本所占比例:
      r v ~ = ∑ x ∈ D v ~ w x ∑ x ∈ D ~ w x \tilde{r_v}=\frac{\sum_{{\bf x} \in \tilde{D^v}}w_{\bf x}}{\sum _{{\bf x}\in \tilde{D}}w_{\bf x}} rv~=xD~wxxDv~wx
  • 基于上述定义,我们将信息增益计算式推广为:
    G a i n ( D , a ) = ρ × G a i n ( D ~ , a ) = ρ × ( E n t ( D ~ ) − ∑ v = 1 V r v ~ E n t ( D v ~ ) ) Gain(D,a)=\rho \times Gain(\tilde{D},a)=\rho \times (Ent(\tilde{D})-\sum \limits_{v=1}^{V}\tilde{r_v}Ent(\tilde{D^v})) Gain(D,a)=ρ×Gain(D~,a)=ρ×(Ent(D~)v=1Vrv~Ent(Dv~))
  • 其中:
    E n t ( D ~ ) = − ∑ k = 1 ∣ y ∣ p k ~ l o g 2 p k ~ Ent(\tilde{D})=-\sum \limits_{k=1}^{|y|} \tilde{p_k}log_2\tilde{p_k} Ent(D~)=k=1ypk~log2pk~
    根据信息增益就可以确定最优划分属性啦。
  • 对于问题(2),若样本 x \bf x x 在划分属性 a a a 上有值(没有缺失),则将 x \bf x x 划入与其对应的子节点,且样本权值在子节点中保持为 w x w_{\bf x} wx;若样本 x \bf x x 在划分属性 a a a 上值缺失,则将 x \bf x x 同时划入所有子节点,且样本权值在与属性值 a v a^v av 对应的子节点中调整为 r v ~ × w x \tilde{r_v}\times w_{\bf x} rv~×wx。直观的看,就是让同一个样本以不同的概率划入到不同的子节点中。

4. 缺失值处理代码实现(建议先看ID3完整实现代码)

缺失值处理较为复杂,这里几乎是把整个树又手撕了一遍,建议先理解最基础的ID3,再来看缺失值处理。

  • 准备数据,这里我们使用DataFrame类型的数据:
def createDataSet():
    # 数据
    data_set = [
        [0, 0, 0, 0, 'no'],
        [0, 0, None, 1, 'no'],
        [0, 1, 0, 1, 'yes'],
        [None, 1, 1, 0, 'yes'],
        [0, 0, 0, 0, 'no'],
        [1, 0, 0, 0, 'no'],
        [None, 0, 0, 1, 'no'],
        [1, 1, 1, 1, 'yes'],
        [1, 0, 1, 2, 'yes'],
        [1, 0, 1, 2, 'yes'],
        [2, None, 1, 2, 'yes'],
        [2, 0, 1, 1, 'yes'],
        [2, 1, 0, 1, 'yes'],
        [2, 1, 0, None, 'yes'],
        [2, 0, 0, 0, 'no'],
    ]
    # 属性名
    labels = ['F1-AGE', 'F2-WORK', 'F3-HOME', 'F4-LOAN', 'result']
    data = pd.DataFrame(data_set, columns=labels)
    return data
  • 预处理:
# 预处理,给数据加一列权重,每一个样本权重初始化为1
def prepareDataSet(data):
    # 样本数
    num_data = len(data)
    weight = [] # 权重列表
    for _ in range(num_data):
        weight.append(1)
    data['weight'] = weight
    return data
  • 划分数据集:
# 根据当前属性的某个属性值划分数据集
def splitDataSet(data, attribute, value, flag=False):
    """

    :param flag:
    :param data: 数据集
    :param attribute: 属性标签
    :param value: 属性值
    :param flag: 是否更新缺失集权重,并将其按权放入子集(True表示进行该操作)
    :return:
    """
    sub_data = data.loc[data[attribute]==value]
    del sub_data[attribute]

    if flag:
        # 拿到缺失数据集
        missing_data = data.loc[data[attribute].isna()]
        # 拿到无缺失的数据集 D~
        no_missing_data = data.loc[data[attribute].notna()]
        del missing_data[attribute]
        # 无缺失样本中,该 sub_data 的比例,课本中的rv~
        p_sub_data = np.sum(sub_data['weight']) / np.sum(no_missing_data['weight'])
        # 更新权重
        weight = missing_data['weight'].unique()
        missing_data.loc[missing_data.index, 'weight'] = p_sub_data * weight
        # 将缺失数据集放入分支节点
        sub_data = pd.concat([sub_data, missing_data])

    return sub_data
  • 计算节点信息熵:
    • 这里和普通的ID3决策树明显不同,每个类别的比例是按权重计算的,不再单单只看数量。
# 计算节点的信息熵
def calculateEntropy(data, target):
    values = data[target].unique() # 目标值列表
    weight = []
    for i in range(len(values)):
        data_k = data.loc[data[target] == values[i]] # 取出所有第k类的样本
        weight.append(np.sum(data_k['weight']))
    # 每个类别的所占比例,以列表形式存储,书中的pk~
    probs = weight / np.sum(data['weight'])
    # 计算该样本集的熵
    entropy = -sum(p * log2(p) for p in probs if p > 0)
    return entropy
  • 计算信息增益:
# 计算选择该属性的信息增益
def calculateInformationGain(data, attribute, target):
    """

    :param data: 数据集
    :param attribute: 属性标签
    :param target: 目标值标签
    :return: 返回信息增益 gain,和缺失数据集 missing_data
    """
    # 拿到无缺失的数据集 D~
    no_missing_data = data.loc[data[attribute].notna()]
    # 计算无缺失样本集所占比例,书中的rou
    p_no_missing_data = np.sum(no_missing_data['weight']) / np.sum(data['weight'])
    # D~的信息熵
    current_entropy = calculateEntropy(no_missing_data, 'result')
    # 拿到该属性的所有属性值
    attribute_value_list = no_missing_data[attribute].unique()
    # 记录划分子集的信息熵带权加和
    p_sum_sub_data = 0

    for value in attribute_value_list:
        # 拿到属性值为 value 的子集
        sub_data = splitDataSet(no_missing_data.copy(), attribute, value)
        # 无缺失样本中,该 sub_data 的比例,课本中的rv~
        p_sub_data = np.sum(sub_data['weight']) / np.sum(no_missing_data['weight'])
        p_sum_sub_data += p_sub_data * calculateEntropy(sub_data, target)

    # 选择该属性的信息增益
    gain = p_no_missing_data * (current_entropy - p_sum_sub_data)

    return gain
  • 选择最优划分属性:
# 选择最优划分属性
def chooseBestSplitAttribute(data, target):
    # 记录最大信息增益
    best_info_gain = 0
    # 记录最佳属性
    best_attribute = None

    # 属性列表(注意不是属性值列表)
    attribute_list = list(data.columns)
    attribute_list = attribute_list[:-2] # 最后两列不是属性,丢掉

    for attribute in attribute_list:
        cur_info_gain = calculateInformationGain(data, attribute, target)
        if best_info_gain < cur_info_gain:
            best_info_gain = cur_info_gain
            best_attribute = attribute

    return best_attribute
  • 递归构建节点:
def isEmptyOrSameLabel(data):
    if data.empty:
        return True
    else:
        data = data.values.tolist()
        data = [row[:-2] for row in data]
        for i in range(len(data)):
            if data[0] == data[i]:
                continue
            else:
                return False
    return True


def majorityCnt(class_list):
    return class_list.mode() # 返回最多的值


# 递归生成决策树节点
def createTreeNode(data, target):
    # 取出当前节点的样本类别
    class_list = data[target]
    '''递归终止条件'''
    # 1. 当前节点包含的样本全属于同一类别,无需再分,将其判别结果设为当前类别
    if len(class_list.unique()) == 1:
        return class_list.sample().tolist()[0]
    # 2. 判断属性是否为空(已经按照所有的属性划分完了) + 判断所有样本在属性上的取值是否相同
    elif isEmptyOrSameLabel(data):
        return majorityCnt(class_list)  # 返回当前节点样本最多的类别

    '''属性划分'''
    # 1. 选择最好的属性进行划分
    best_attribute = chooseBestSplitAttribute(data, target)  # 以信息增益为划分准测
    # 3. 根据最优属性,和其属性值生成树(用字典模拟二叉树)
    my_tree = {best_attribute: {}}
    # 5. 获取当前最佳属性属性值的唯一值
    attribute_value_list = data[data[best_attribute].notna()][best_attribute].unique()
    # 7. 对每一个唯一值进行分支
    for value in attribute_value_list:
        # 递归创建树
        my_tree[best_attribute][value] = createTreeNode(
            splitDataSet(data.copy(), best_attribute, value, flag=True), target
        )

    # 8. 返回
    return my_tree


6. 模拟实现ID3决策树


1. 准备数据集:

# 创建数据
def createDataSet():
    # 数据
    data_set = [
        [0, 0, 0, 0, 'no'],
        [0, 0, 0, 1, 'no'],
        [0, 1, 0, 1, 'yes'],
        [0, 1, 1, 0, 'yes'],
        [0, 0, 0, 0, 'no'],
        [1, 0, 0, 0, 'no'],
        [1, 0, 0, 1, 'no'],
        [1, 1, 1, 1, 'yes'],
        [1, 0, 1, 2, 'yes'],
        [1, 0, 1, 2, 'yes'],
        [2, 0, 1, 2, 'yes'],
        [2, 0, 1, 1, 'yes'],
        [2, 1, 0, 1, 'yes'],
        [2, 1, 0, 2, 'yes'],
        [2, 0, 0, 0, 'no'],
    ]
    # 属性名
    labels = ['F1-AGE', 'F2-WORK', 'F3-HOME', 'F4-LOAN']
    return data_set, labels

2. 信息熵的计算函数:

# 计算熵 -- 节点层面的概念,且只和目标值有关,和属性无关
def calcEntropy(data_set):
    # 1. 获取所有的样本数
    example_num = len(data_set)
    # 2. 计算每个类别出现的次数
    label_count = {}   # 一个字典
    for feat_vec in data_set:
        cur_label = feat_vec[-1] # 当前标签
        if cur_label in label_count.keys():
            label_count[cur_label] += 1
        else:
            label_count[cur_label] = 1
    # 3. 计算熵值(对每个类别求熵值求和)
    entropy = 0   # 熵
    for key, value in label_count.items():
        # 每一个类别的概率值,即所占比例
        p = label_count[key] / example_num
        # 计算信息熵
        entropy += (-p * math.log(p, 2))
    return entropy

3. 根据信息增益,选择最优划分属性

# 选择最优划分属性,返回最优划分属性的索引
def chooseBestFeatureByEntropy(data_set):
    # 属性可取值数量(也可以把属性称为特征)
    num_features = len(data_set[0]) - 1
    # 计算该节点的熵(未划分时的熵值)
    cur_entropy = calcEntropy(data_set)
    # 信息增益
    best_info_gain = 0.0
    # 最优属性索引
    best_feature_index = -1
    # 遍历所有属性
    for i in range(num_features):
        # 拿到当前列的属性
        feat_list = [example[i] for example in data_set]
        # 获取唯一值
        unique_val = set(feat_list)
        # 分支节点信息熵带权加和
        sum_child_entropy = 0
        # 计算各分支(不同属性划分)的熵值
        for val in unique_val:
            # 根据当前属性划分 data_set, 得到分支节点 sub_data_set
            sub_data_set = splitDataSet(data_set, i, val)
            # 计算该节点权重
            weight = len(sub_data_set) / len(data_set)
            # 计算分支节点信息熵带权加和
            sum_child_entropy += (calcEntropy(sub_data_set) * weight)
        # 计算信息增益
        info_gain = cur_entropy - sum_child_entropy
        # 更新最大信息增益
        if best_info_gain < info_gain:
            best_info_gain = info_gain
            best_feature_index = i
    return best_feature_index

4. 根据当前节点样本最多的类别,获取判别结果:

# 获取判别结果,判别结果为样本数最多的类别
def majorityCnt(class_list):
    class_count = {}
    # 统计 class_list 中每个元素出现的次数
    for vote in class_list:
        if vote in class_count.keys():
            class_count[vote] += 1
        else:
            class_count[vote] = 1
    # 根据字典的值,降序排列
    sorted_class_count = sorted(class_count.items(), key=lambda x: x[1], reverse=True)
    return sorted_class_count[0][0]

5. 判断节点是否为空+所有样本在属性上取值是否相同:

# 判断属性是否为空 + 判断所有样本在属性上的取值是否相同
def isEmptyOrSameLabel(data_set, labels):
    # 属性为空,
    if len(labels) == 0:
        return True
    else:
        for i in range(0, len(data_set)):
        	# 从0开始,避免只有一个样本的情况
            if data_set[0] == data_set[i]:
                continue
            else:
                return False
    return True

6. 递归生成决策树节点:

def createTreeNode(data_set, labels):
    # 取出当前节点的样本类别
    class_list = [example[-1] for example in data_set]

    '''递归终止条件'''
    # 1. 当前节点包含的样本全属于同一类别,无需再分,将其判别结果设为当前类别
    if len(class_list) == class_list.count(class_list[0]):
        return class_list[0]
    # 2. 判断属性是否为空(已经按照所有的属性划分完了) + 判断所有样本在属性上的取值是否相同
    if isEmptyOrSameLabel(data_set, labels):
        return majorityCnt(class_list)  # 返回当前节点样本最多的类别

    '''属性划分'''
    # 1. 选择最好的属性进行划分(返回值为索引)
    best_feature_index = chooseBestFeatureByEntropy(data_set)
    # 2. 利用索引获取真实值,找到最优划分属性
    best_feature_label = labels[best_feature_index]
    # 3. 根据最优属性,和其属性值生成树(用字典模拟二叉树)
    my_tree = {best_feature_label: {}}
    # 4. 删除被选择的属性
    del labels[best_feature_index]
    # 5. 获取当前最佳属性的那一列
    feature_values = [example[best_feature_index] for example in data_set]
    # 6. 去重
    unique_feature_values = set(feature_values)
    # 7. 对每一个唯一值进行分支
    for value in unique_feature_values:
        # 递归创建树
        my_tree[best_feature_label][value] = createTreeNode(
            splitDataSet(data_set, best_feature_index, value), labels.copy()
            )

    # 8. 返回
    return my_tree
  • 这里我们用字典模拟了一颗树,非常巧妙。

7. 未知样本的预测:

# 单个未知数据预测
def classifySingle(input_tree, feat_labels, test_data):
    first_str = next(iter(input_tree)) # 找到决策树在这一层的划分属性
    second_dict = input_tree[first_str] # 找到子树
    feat_index = feat_labels.index(first_str) # 找到对应属性所在下标
    class_label = None # 置空

    for key in second_dict.keys(): # 根据属性值,遍历子树,key是属性值
        if test_data[feat_index] == key: # 找到样本该属性的属性值和当前子树分类时的属性值相等的子树,进入该子树进行判断
            if type(second_dict[key]).__name__ == 'dict': # 如果拿到的值是字典类型,说明还没到叶子节点,接着递归
                class_label = classifySingle(second_dict[key], feat_labels, test_data)
            else:
                # 拿到的值不是字典类型,说明找到叶子节点了,记录分类结果,递归返回
                class_label = second_dict[key]

    return class_label


# 多个未知数据预测,复用classify_single
def classifyMultiple(input_tree, feat_labels, test_data):
    result = []

    # 计算列表维度
    def list_dimension(lst):
        if not isinstance(lst, list):
            return 0  # 不是列表,返回0维
        if all(not isinstance(item, list) for item in lst):
            return 1  # 所有元素都不是列表,返回1维
        return 1 + max(list_dimension(item) for item in lst)  # 递归计算维度

    if list_dimension(test_data) == 1: # 维度为1,说明只有一个样本
        result.append(classifySingle(input_tree, feat_labels, test_data))
        return result
    else:
        num_example = len(test_data)
        for i in range(num_example):
            result.append(classifySingle(input_tree, feat_labels, test_data[i]))
        return result

8. 计算树的深度和广度(选择性学习):

# 计算广度,一个树中叶子结点的数量
def getNumLeaves(my_tree):
    num_leaves = 0
    first_str = next(iter(my_tree)) # 取出字典第一层中,仅有的一个键,也相当于是根节点
    second_dict = my_tree[first_str] # 拿到子树,可能不只一颗子树,需要遍历

    for key in second_dict.keys(): # 遍历子树
        if type(second_dict[key]).__name__ == 'dict': # 判断该节点是否是字典,如果不是,代表此节点为叶子结点
            num_leaves += getNumLeaves(second_dict[key])
        else:
            num_leaves += 1

    return num_leaves


# 获取树的深度
def _getTreeDepth(my_tree):
    max_depth = 0 # 初始化决策树深度
    first_str = next(iter(my_tree))
    second_dict = my_tree[first_str]

    for key in second_dict.keys():
        if type(second_dict[key]).__name__ == 'dict':
            this_depth = 1 + _getTreeDepth(second_dict[key])
        else:
            this_depth = 1
        if this_depth > max_depth:
            max_depth = this_depth # 更新层数

    return max_depth


def getTreeDepth(my_tree):
    return _getTreeDepth(my_tree) + 1

7. ID3决策树完整代码


  • 决策树实现:
# 开发时间: 2024/6/5 14:11
import math


# 创建数据
def createDataSet():
    # 数据
    data_set = [
        [0, 0, 0, 0, 'no'],
        [0, 0, 0, 1, 'no'],
        [0, 1, 0, 1, 'yes'],
        [0, 1, 1, 0, 'yes'],
        [0, 0, 0, 0, 'no'],
        [1, 0, 0, 0, 'no'],
        [1, 0, 0, 1, 'no'],
        [1, 1, 1, 1, 'yes'],
        [1, 0, 1, 2, 'yes'],
        [1, 0, 1, 2, 'yes'],
        [2, 0, 1, 2, 'yes'],
        [2, 0, 1, 1, 'yes'],
        [2, 1, 0, 1, 'yes'],
        [2, 1, 0, 2, 'yes'],
        [2, 0, 0, 0, 'no'],
    ]
    # 属性名
    labels = ['F1-AGE', 'F2-WORK', 'F3-HOME', 'F4-LOAN']
    return data_set, labels


# 计算熵 -- 节点层面的概念,且只和目标值有关,和属性无关
def calcEntropy(data_set):
    # 1. 获取所有的样本数
    example_num = len(data_set)
    # 2. 计算每个类别出现的次数
    label_count = {}   # 一个字典
    for feat_vec in data_set:
        cur_label = feat_vec[-1] # 当前标签
        if cur_label in label_count.keys():
            label_count[cur_label] += 1
        else:
            label_count[cur_label] = 1
    # 3. 计算熵值(对每个类别求熵值求和)
    entropy = 0   # 熵
    for key, value in label_count.items():
        # 每一个类别的概率值,即所占比例
        p = label_count[key] / example_num
        # 计算信息熵
        entropy += (-p * math.log(p, 2))
    return entropy


def Gini(data_set):
    # 1. 获取所有的样本数
    example_num = len(data_set)

    # 2. 计算每个类别出现的次数
    label_count = {}  # 一个字典
    for feat_vec in data_set:
        cur_label = feat_vec[-1]  # 当前标签
        if cur_label in label_count.keys():
            label_count[cur_label] += 1
        else:
            label_count[cur_label] = 1

    # 3. 计算基尼值
    sum_p = 0
    for key, value in label_count.items():
        p = label_count[key] / example_num
        # 计算公式后面和的那一部分
        sum_p += p**2

    return 1 - sum_p


# 根据当前选中的属性和属性值去划分数据集
def splitDataSet(data_set, feature_index, value):
    ret_dataset = [] # 二维列表
    for feat_vec in data_set:
        if feat_vec[feature_index] == value:
            # 将 feature_index 那一列删除
            delete_feat_vec = feat_vec[:feature_index]
            delete_feat_vec.extend(feat_vec[feature_index + 1:])
            # 将删除后的样本追加到新的 data_set 中
            ret_dataset.append(delete_feat_vec)
    return ret_dataset


# 选择最优划分属性,返回最优划分属性的索引
def chooseBestFeatureByGini(data_set):
    # 属性可取值数量(也可以把属性称为特征),列数
    num_features = len(data_set[0]) - 1
    # 当前基尼指数
    cur_gini_index = 0
    # 最优基尼指数
    best_gini_index = math.inf
    # 最优属性索引
    best_feature_index = -1
    for i in range(num_features):
        # 拿到当前列的属性
        feat_list = [example[i] for example in data_set]
        # 获取唯一值
        unique_val = set(feat_list)
        # 计算各分支的基尼值
        for val in unique_val:
            # 根据当前属性划分
            sub_data_set = splitDataSet(data_set, i, val)
            # 计算权重
            weight = len(sub_data_set) / len(data_set)
            # 计算分支基尼值,并加到基尼指数上
            cur_gini_index += weight * Gini(sub_data_set)
        # 更新最小的基尼指数
        if best_gini_index > cur_gini_index:
            best_gini_index = cur_gini_index
            best_feature_index = i
    return best_feature_index


# 选择最优划分属性,返回最优划分属性的索引
def chooseBestFeatureByEntropy(data_set):
    # 属性可取值数量(也可以把属性称为特征)
    num_features = len(data_set[0]) - 1
    # 计算该节点的熵(未划分时的熵值)
    cur_entropy = calcEntropy(data_set)
    # 信息增益
    best_info_gain = 0.0
    # 最优属性索引
    best_feature_index = -1
    # 遍历所有属性
    for i in range(num_features):
        # 拿到当前列的属性
        feat_list = [example[i] for example in data_set]
        # 获取唯一值
        unique_val = set(feat_list)
        # 分支节点信息熵带权加和
        sum_child_entropy = 0
        # 计算各分支(不同属性划分)的熵值
        for val in unique_val:
            # 根据当前属性划分 data_set, 得到分支节点 sub_data_set
            sub_data_set = splitDataSet(data_set, i, val)
            # 计算该节点权重
            weight = len(sub_data_set) / len(data_set)
            # 计算分支节点信息熵带权加和
            sum_child_entropy += (calcEntropy(sub_data_set) * weight)
        # 计算信息增益
        info_gain = cur_entropy - sum_child_entropy
        # 更新最大信息增益
        if best_info_gain < info_gain:
            best_info_gain = info_gain
            best_feature_index = i
    return best_feature_index


# 获取判别结果,判别结果为样本数最多的类别
def majorityCnt(class_list):
    class_count = {}
    # 统计 class_list 中每个元素出现的次数
    for vote in class_list:
        if vote in class_count.keys():
            class_count[vote] += 1
        else:
            class_count[vote] = 1
    # 根据字典的值,降序排列
    sorted_class_count = sorted(class_count.items(), key=lambda x: x[1], reverse=True)
    return sorted_class_count[0][0]


# 判断属性是否为空 + 判断所有样本在属性上的取值是否相同
def isEmptyOrSameLabel(data_set, labels):
    # 属性为空,
    if len(labels) == 0:
        return True
    else:
        for i in range(0, len(data_set)):
            # 从0开始,避免只有一个样本的情况
            if data_set[0] == data_set[i]:
                continue
            else:
                return False
    return True


# 递归生成决策树节点
def createTreeNode(data_set, labels):
    # 取出当前节点的样本类别
    class_list = [example[-1] for example in data_set]

    '''递归终止条件'''
    # 1. 当前节点包含的样本全属于同一类别,无需再分,将其判别结果设为当前类别
    if len(class_list) == class_list.count(class_list[0]):
        return class_list[0]
    # 2. 判断属性是否为空(已经按照所有的属性划分完了) + 判断所有样本在属性上的取值是否相同
    if isEmptyOrSameLabel(data_set, labels):
        return majorityCnt(class_list)  # 返回当前节点样本最多的类别

    '''属性划分'''
    # 1. 选择最好的属性进行划分(返回值为索引)
    best_feature_index = chooseBestFeatureByEntropy(data_set) # 以信息增益为划分准测
    # best_feature_index = chooseBestFeatureByGini(data_set) # 以基尼指数为划分准则
    # 2. 利用索引获取真实值,找到最优划分属性
    best_feature_label = labels[best_feature_index]
    # 3. 根据最优属性的类别生成树(用字典模拟二叉树)
    my_tree = {best_feature_label: {}}
    # 4. 删除被选择的属性
    del labels[best_feature_index]
    # 5. 获取当前最佳属性的那一列
    feature_values = [example[best_feature_index] for example in data_set]
    # 6. 去重
    unique_feature_values = set(feature_values)
    # 7. 对每一个唯一值进行分支
    for value in unique_feature_values:
        # 递归创建树
        my_tree[best_feature_label][value] = createTreeNode(
            splitDataSet(data_set, best_feature_index, value), labels.copy()
            )

    # 8. 返回
    return my_tree


# 计算广度,一个树中叶子结点的数量
def getNumLeaves(my_tree):
    num_leaves = 0
    first_str = next(iter(my_tree)) # 取出字典第一层中,仅有的一个键,也相当于是根节点
    second_dict = my_tree[first_str] # 拿到子树,可能不只一颗子树,需要遍历

    for key in second_dict.keys(): # 遍历子树
        if type(second_dict[key]).__name__ == 'dict': # 判断该节点是否是字典,如果不是,代表此节点为叶子结点
            num_leaves += getNumLeaves(second_dict[key])
        else:
            num_leaves += 1

    return num_leaves


# 获取树的深度
def _getTreeDepth(my_tree):
    max_depth = 0 # 初始化决策树深度
    first_str = next(iter(my_tree))
    second_dict = my_tree[first_str]

    for key in second_dict.keys():
        if type(second_dict[key]).__name__ == 'dict':
            this_depth = 1 + _getTreeDepth(second_dict[key])
        else:
            this_depth = 1
        if this_depth > max_depth:
            max_depth = this_depth # 更新层数

    return max_depth


def getTreeDepth(my_tree):
    return _getTreeDepth(my_tree) + 1


# 单个未知数据预测
def classifySingle(input_tree, feat_labels, test_data):
    first_str = next(iter(input_tree)) # 找到决策树在这一层的划分属性
    second_dict = input_tree[first_str] # 找到子树
    feat_index = feat_labels.index(first_str) # 找到对应属性所在下标
    class_label = None # 置空

    for key in second_dict.keys(): # 根据属性值,遍历子树,key是属性值
        if test_data[feat_index] == key: # 找到样本该属性的属性值和当前子树分类时的属性值相等的子树,进入该子树进行判断
            if type(second_dict[key]).__name__ == 'dict': # 如果拿到的值是字典类型,说明还没到叶子节点,接着递归
                class_label = classifySingle(second_dict[key], feat_labels, test_data)
            else:
                # 拿到的值不是字典类型,说明找到叶子节点了,记录分类结果,递归返回
                class_label = second_dict[key]

    return class_label


# 多个位置数据预测,复用classify_single
def classifyMultiple(input_tree, feat_labels, test_data):
    result = []

    # 计算列表维度
    def list_dimension(lst):
        if not isinstance(lst, list):
            return 0  # 不是列表,返回0维
        if all(not isinstance(item, list) for item in lst):
            return 1  # 所有元素都不是列表,返回1维
        return 1 + max(list_dimension(item) for item in lst)  # 递归计算维度

    n = list_dimension(test_data)
    if list_dimension(test_data) == 1: # 维度为1,说明只有一个样本
        result.append(classifySingle(input_tree, feat_labels, test_data))
        return result
    else:
        num_example = len(test_data)
        for i in range(num_example):
            result.append(classifySingle(input_tree, feat_labels, test_data[i]))
        return result
  • 测试代码:
if __name__ == '__main__':
    # 准备数据
    data_set, labels = createDataSet()
    ## 创建+训练树
    my_ID3_decision_tree = createTreeNode(data_set.copy(), labels.copy()) # 可能有对数据集和labels做修改的操作,这里传拷贝

    # 打印树
    print(my_ID3_decision_tree)

    # 打印树的高度和广度
    print(getTreeDepth(my_ID3_decision_tree)) # 高度
    print(getNumLeaves(my_ID3_decision_tree)) # 广度

    # 预测单个数据
    test_data = [1, 0, 0, 0]
    result = classifySingle(my_ID3_decision_tree, labels, test_data)
    print(result)
    # 或
    result = classifyMultiple(my_ID3_decision_tree, labels, test_data)
    print(result)

    # 测试多个数据
    test_data = [[1, 0, 0, 0], [0, 0, 1, 0], [2, 1, 0, 1]]
    result = classifyMultiple(my_ID3_decision_tree, labels, test_data)
    print(result)
  • 输出结果:
{'F3-HOME': {0: {'F2-WORK': {0: 'no', 1: 'yes'}}, 1: 'yes'}}
3
3
no
['no']
['no', 'yes', 'yes']
  • 通过上面的数据集,生成的决策树如下图所示:

在这里插入图片描述


8. 添加缺失值处理功能的ID3决策树


import pandas as pd
import numpy as np
from math import log2


def createDataSet():
    # 数据
    data_set = [
        [0, 0, 0, 0, 'no'],
        [0, 0, None, 1, 'no'],
        [0, 1, 0, 1, 'yes'],
        [None, 1, 1, 0, 'yes'],
        [0, 0, 0, 0, 'no'],
        [1, 0, 0, 0, 'no'],
        [None, 0, 0, 1, 'no'],
        [1, 1, 1, 1, 'yes'],
        [1, 0, 1, 2, 'yes'],
        [1, 0, 1, 2, 'yes'],
        [2, None, 1, 2, 'yes'],
        [2, 0, 1, 1, 'yes'],
        [2, 1, 0, 1, 'yes'],
        [2, 1, 0, None, 'yes'],
        [2, 0, 0, 0, 'no'],
    ]
    # 属性名
    labels = ['F1-AGE', 'F2-WORK', 'F3-HOME', 'F4-LOAN', 'result']
    data = pd.DataFrame(data_set, columns=labels)
    return data


# 预处理,给数据加一列权重,每一个样本权重初始化为1
def prepareDataSet(data):
    # 样本数
    num_data = len(data)
    weight = [] # 权重列表
    for _ in range(num_data):
        weight.append(1)
    data['weight'] = weight
    return data


# 根据当前属性的某个属性值划分数据集
def splitDataSet(data, attribute, value, flag=False):
    """

    :param flag:
    :param data: 数据集
    :param attribute: 属性标签
    :param value: 属性值
    :param flag: 是否更新缺失集权重,并将其按权放入子集(True表示进行该操作)
    :return:
    """
    sub_data = data.loc[data[attribute]==value]
    del sub_data[attribute]

    if flag:
        # 拿到缺失数据集
        missing_data = data.loc[data[attribute].isna()]
        # 拿到无缺失的数据集 D~
        no_missing_data = data.loc[data[attribute].notna()]
        del missing_data[attribute]
        # 无缺失样本中,该 sub_data 的比例,课本中的rv~
        p_sub_data = np.sum(sub_data['weight']) / np.sum(no_missing_data['weight'])
        # 更新权重
        weight = missing_data['weight'].unique()
        missing_data.loc[missing_data.index, 'weight'] = p_sub_data * weight
        # 将缺失数据集放入分支节点
        sub_data = pd.concat([sub_data, missing_data])

    return sub_data


# 计算节点的信息熵
def calculateEntropy(data, target):
    values = data[target].unique() # 目标值列表
    weight = []
    for i in range(len(values)):
        data_k = data.loc[data[target] == values[i]] # 取出所有第k类的样本
        weight.append(np.sum(data_k['weight']))
    # 每个类别的所占比例,以列表形式存储,书中的pk~
    probs = weight / np.sum(data['weight'])
    # 计算该样本集的熵
    entropy = -sum(p * log2(p) for p in probs if p > 0)
    return entropy


# 计算选择该属性的信息增益
def calculateInformationGain(data, attribute, target):
    """

    :param data: 数据集
    :param attribute: 属性标签
    :param target: 目标值标签
    :return: 返回信息增益 gain,和缺失数据集 missing_data
    """
    # 拿到无缺失的数据集 D~
    no_missing_data = data.loc[data[attribute].notna()]
    # 计算无缺失样本集所占比例,书中的rou
    p_no_missing_data = np.sum(no_missing_data['weight']) / np.sum(data['weight'])
    # D~的信息熵
    current_entropy = calculateEntropy(no_missing_data, 'result')
    # 拿到该属性的所有属性值
    attribute_value_list = no_missing_data[attribute].unique()
    # 记录划分子集的信息熵带权加和
    p_sum_sub_data = 0

    for value in attribute_value_list:
        # 拿到属性值为 value 的子集
        sub_data = splitDataSet(no_missing_data.copy(), attribute, value)
        # 无缺失样本中,该 sub_data 的比例,课本中的rv~
        p_sub_data = np.sum(sub_data['weight']) / np.sum(no_missing_data['weight'])
        p_sum_sub_data += p_sub_data * calculateEntropy(sub_data, target)

    # 选择该属性的信息增益
    gain = p_no_missing_data * (current_entropy - p_sum_sub_data)

    return gain


# 选择最优划分属性
def chooseBestSplitAttribute(data, target):
    # 记录最大信息增益
    best_info_gain = 0
    # 记录最佳属性
    best_attribute = None

    # 属性列表(注意不是属性值列表)
    attribute_list = list(data.columns)
    attribute_list = attribute_list[:-2] # 最后两列不是属性,丢掉

    for attribute in attribute_list:
        cur_info_gain = calculateInformationGain(data, attribute, target)
        if best_info_gain < cur_info_gain:
            best_info_gain = cur_info_gain
            best_attribute = attribute

    return best_attribute


def isEmptyOrSameLabel(data):
    if data.empty:
        return True
    else:
        data = data.values.tolist()
        data = [row[:-2] for row in data]
        for i in range(len(data)):
            if data[0] == data[i]:
                continue
            else:
                return False
    return True


def majorityCnt(class_list):
    return class_list.mode() # 返回最多的值


# 递归生成决策树节点
def createTreeNode(data, target):
    # 取出当前节点的样本类别
    class_list = data[target]
    '''递归终止条件'''
    # 1. 当前节点包含的样本全属于同一类别,无需再分,将其判别结果设为当前类别
    if len(class_list.unique()) == 1:
        return class_list.sample().tolist()[0]
    # 2. 判断属性是否为空(已经按照所有的属性划分完了) + 判断所有样本在属性上的取值是否相同
    elif isEmptyOrSameLabel(data):
        return majorityCnt(class_list)  # 返回当前节点样本最多的类别

    '''属性划分'''
    # 1. 选择最好的属性进行划分
    best_attribute = chooseBestSplitAttribute(data, target)  # 以信息增益为划分准测
    # 3. 根据最优属性,和其属性值生成树(用字典模拟二叉树)
    my_tree = {best_attribute: {}}
    # 5. 获取当前最佳属性属性值的唯一值
    attribute_value_list = data[data[best_attribute].notna()][best_attribute].unique()
    # 7. 对每一个唯一值进行分支
    for value in attribute_value_list:
        # 递归创建树
        my_tree[best_attribute][value] = createTreeNode(
            splitDataSet(data.copy(), best_attribute, value, flag=True), target
        )

    # 8. 返回
    return my_tree
  • 测试代码:
if __name__ == '__main__':
    data = createDataSet()  # 获取数据
    data = prepareDataSet(data) # 预处理
    my_tree = createTreeNode(data, 'result') # 构建树
    print(my_tree) # 打印树
  • 输出:
{'F2-WORK': {0.0: {'F3-HOME': {0.0: 'no', 1.0: {'F1-AGE': {1.0: 'yes', 2.0: 'yes', 0.0: 'no'}}}}, 1.0: 'yes'}}

  • 27
    点赞
  • 32
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

-指短琴长-

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值