决策树

决策树 Python实现

决策树无非分为三步：

1. 特征选择
2. 决策树的生成
3. 决策树的剪枝

决策树由一组组的if-then组成，根据计算信息增益来选择最优的特征作为根节点
数据集特征如下：
年龄：0代表青年，1代表中年，2代表老年；
有工作：0代表否，1代表是；
有自己的房子：0代表否，1代表是；
信贷情况：0代表一般，1代表好，2代表非常好；
类别(是否给贷款)：no代表否，yes代表是。

from math import log
import operator

"""
Function Description：创建测试数据集
Parameter：None
Return：
    dataSet:数据集
    labels:标签
Modify:
    2019-07-19
"""


def createDataSet():
    dataSet = [[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']]
    labels = ['年龄', '有工作', '有房', '信贷情况']
    return dataSet, labels


"""
Function Description:计算给定数据集的经验熵
Parameters：
    dataSet
Returns:
    shannonEnt；经验熵
Modify:
    2019-07-19
    
"""


def calcShannonEnt(dataSet):
    # 返回数据集行数
    numEntries = len(dataSet)
    # 记录每个标签出现的次数的字典     如{'no':6,'yes':9}
    labelCounts = {}

    for featVec in dataSet:
        currentLabel = featVec[-1]  # 提取标签信息
        if currentLabel not in labelCounts.keys():
            labelCounts[currentLabel] = 0
        labelCounts[currentLabel] += 1

    shannonEnt = 0.0
    # 计算经验熵
    for key in labelCounts:
        prob = float(labelCounts[key]) / numEntries  # 选择该标签的概率
        shannonEnt -= prob * log(float(prob), 2)
    return shannonEnt


"""
Function Description:按给定特征划分数据集
Parameters；
    dataSet
    axis:划分数据集的特征的索引值
    value:划分数据集的特征的值
Returns:
    划分后的数据集
Modify:
    2019-07-19
"""


def splitDateSet(dataSet, axis, value):
    # 返回的数据集
    reDataSet = []
    for featVec in dataSet:
        if featVec[axis] == value:
            reducedFeatVec = featVec[:axis]
            reducedFeatVec.extend(featVec[axis + 1:])
            reDataSet.append(reducedFeatVec)
    return reDataSet


"""
Function Description:选择最好的特征分类
Parameters:
    dataSet
Returns:
    bestFeature:信息增益最大的特征的索引值
Modify:
    2019-07-19
"""


def chooseBestFeatureToSplit(dateSet):
    # 特征数量
    numFeatures = len(dateSet[0]) - 1
    # 原始香农熵
    baseEntropy = calcShannonEnt(dataSet)
    # 最大信息增益
    bestInfoGain = 0.0
    # 最优分类特征的索引值
    bestFeature = -1
    # 遍历所有特征
    for i in range(numFeatures):
        # 获取第i个特征的所有值
        featList = [example[0] for example in dataSet]
        # 用集合删除重复值
        uniqueVals = set(featList)
        # 经验条件熵
        newEntropy = 0.0
        for value in uniqueVals:
            # 划分后的子集
            subDataSet = splitDateSet(dateSet, i, value)
            # 计算经验条件熵
            prob = len(subDataSet) / float(len(dateSet))
            newEntropy += prob * calcShannonEnt(subDataSet)
        # 信息增益
        infoGain = baseEntropy - newEntropy
        if infoGain > bestInfoGain:
            # 寻找最大信息增益
            bestInfoGain = infoGain
            bestFeature = i
    return bestFeature


"""
Function Description:统计分类标签中出现最多的元素
Parameters:
    classList:分类标签列表
Returns:
    sortedClassCount[0][0]:出现次数最多的元素
Modify:
    2019-07-19
"""


def majorityCnt(classList):
    classCount = {}
    for vote in classList:
        classCount[vote] = 0
        classCount[vote] += 1
    # 根据降序排列
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]


"""
Function Description:决策树的生成
Parameters:
    dataSet:
    labels:
    featLabels:最优特征标签
Modify:
    2019-07-19
"""


def createTree(dataSet, labels, featLabels):
    # 分类标签
    classList = [example[-1] for example in dataSet]
    # 如果类别相同，则停止划分
    if classList.count(classList[0]) == len(classList):
        return classList[0]
    # 如果所有特征都遍历完，返回出现次数最多的分类
    if len(dataSet[0]) == 1:
        return majorityCnt(classList)
    # 最优特征
    bestFeat = chooseBestFeatureToSplit(dataSet)
    # 最优特征的标签
    bestFeatLabel = labels[bestFeat]
    featLabels.append(bestFeatLabel)
    # 根据最优标签生成树
    myTree = {bestFeatLabel: {}}
    # 删除已经使用过的标签
    del (labels[bestFeat])
    # 得到训练集中所有特征的值，并删除重复值
    featValues = [example[bestFeat] for example in dataSet]
    uniqueVls = set(featValues)
    # 遍历特征，创建决策树
    for value in uniqueVls:
        myTree[bestFeatLabel][value] = createTree(splitDateSet(dataSet, bestFeat, value), labels, featLabels)
    return myTree


"""
Function Description:使用决策树进行分类
Parameters:
    inputTree:已生成的决策树
    featLabels:最优特征标签
    testVec:测试数据列表
Returns:
    classLabel:分类结果
Modify:
    2019-07-20
"""


def classify(inputTree, featLabels, testVec):
    # 获取决策树节点
    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


if __name__ == '__main__':
    dataSet, labels = createDataSet()
    featLabels = []
    myTree = createTree(dataSet, labels, featLabels)

    testVec = [0, 1]
    result = classify(myTree, featLabels, testVec)

    if result == 'yes':
        print('放贷')
    else:
        print("不放贷")