Skip to content

Latest commit

 

History

History
218 lines (197 loc) · 8.2 KB

决策树.md

File metadata and controls

218 lines (197 loc) · 8.2 KB
Raw

决策树

###决策树简介

决策树 流程图正方形代表判断模块，椭圆形代表终止模块，从判断模块引出的左右箭头称作分支，它可以到达另一个判断模块活着终止模块。 决策树 [优点]:计算复杂度不高，输出结果易于理解，对于中间值的缺失不敏感，可以处理不相关特征数据。 决策树[缺点]:可能会产生过度匹配的问题。 决策树[适用数据类型]：数值型和标称型。

[TOC]

###决策树的一般流程

(1)收集数据：可以使用任何方法。
(2)准备数据：树构造算法只适用于标称型数据，因此数值型数据必须离散化。
(3)分析数据：可以使用任何方法，构造树完成之后，我们需要检验图形是否符合预期。
(4)训练算法：构造树的数据结构。
(5)测试算法：使用经验树计算错误率。
(6)使用算法：使用于任何监督学习算法。

###信息增益

划分数据集的最大原则:将无序的数据集变的有序。 判断数据集的有序程度:信息增益（熵），计算每个特征值划分数据集后获得的信息增益，获得信息增益最高的特征就是最好的选择。 信息增益[公式]: $$ H = - \sum_{i=1}^np(x_i)log_2p(x_i) $$ 其中n是分类的数目。

###python决策树

计算给定数据集的信息熵

from math import log

def calcShannonEnt(dataSet):
    numEntries = len(dataSet)
    labelCounts = {}
    for featVec in dataSet:
        currentLabel = featVec[-1]
        if currentLabel not in labelCounts.keys():
            labelCounts[currentLabel] = 0
            labelCounts[currentLabel] += 1
    shannonEnt = 0.0
    for key in labelCounts:
        prob = float(labelCounts[key]) / numEntries
        shannonEnt -= prob * log(prob,2)

    return shannonEnt

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

myDat,labels = createDataSet()
print(myDat)
print(labels)
shannonEnt = calcShannonEnt(myDat)
print(shannonEnt)

划分数据集

import dtree
def splitDataset(dataSet,axis,value):
    retDataSet = []
    for featVec in dataSet:
        if featVec[axis] == value:
            reducedFeatVec = featVec[:axis]
            reducedFeatVec.extend(featVec[axis+1:])
            retDataSet.append(reducedFeatVec)

    return retDataSet

myData,labels = dtree.createDataSet()
print(myData)
retDataSet = splitDataset(myData,0,1)
print(retDataSet)
retDataSet = splitDataset(myData,0,0)
print(retDataSet)

####选择最好的数据划分方式

def chooseBestFeatureToSplit(dataSet):
    numFeatures = len(dataSet[0]) - 1
    baseEntropy = dtree.calcShannonEnt(dataSet)
    bestInfoGain = 0.0
    bestFeature = -1
    for i in range(numFeatures):
        featList = [example[i] for example in dataSet]
        uniqueVals = set(featList)
        newEntropy = 0.0
        for value in uniqueVals:
            subDataSet = splitDataset(dataSet,i,value)
            prob = len(subDataSet)/float(len(dataSet))
            newEntropy += prob * dtree.calcShannonEnt(subDataSet)
        infoGain = baseEntropy - newEntropy
        if(infoGain > bestInfoGain):
            bestInfoGain = infoGain
            bestFeature = i
        return bestFeature

myData,labels = dtree.createDataSet()
print('myData:',myData)
bestFeature = chooseBestFeatureToSplit(myData)
print('bestFeature:',bestFeature)

#####结果输出

('myData:', [[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']])
('bestFeature:', 0)

#####结果分析

运行结果表明第0个特征是最好用于划分数据集的特征，即数据集的的第一个参数，比如在该数据集中以第一个参数特征划分数据时，第一个分组中有3个，其中有一个被划分为no，第二个分组中全部属于no;当以第二个参数分组时，第一个分组中2个为yes,2个为no,第二个分类中只有一个no类。

###递归构建决策树

工作原理：得到原始数据集，然后基于最好的属性值划分数据集，由于特征值可能多于2个，因此可能存在大于2个分支的数据集划分，在第一次划分后，数据将被传向树分支的下一个节点，在这个节点上我们可以再次划分数据。 递归条件：程序遍历完所有划分数据集的属性，或者没个分支下的所有实例都具有相同的分类。

构建递归决策树

import dtree
import operator
def majorityCnt(classList):
    classCount = {}
    for vote in classList:
        if vote not in classCount.keys():
            classCount[vote] = 0
        classCount[vote] +=1

    sortedClassCount = sorted(classCount.iteritems(),key =  operator.itemgetter(1),reverse = True)
    return sortedClassCount[0][0]

def createTree(dataSet,labels):
    classList = [example[-1] for example in dataSet]
    if classList.count(classList[0]) == len(classList):
        return classList[0]
    if len(dataSet[0]) == 1:
        return majorityCnt(classlist)
    bestFeat = chooseBestFeatureToSplit(dataSet)
    bestFeatLabel = labels[bestFeat]
    myTree = {bestFeatLabel:{}}
    del(labels[bestFeat])
    featValues = [example[bestFeat] for example in dataSet]
    uniqueVals = set(featValues)
    for value in uniqueVals:
        subLabels = labels[:]
        myTree[bestFeatLabel][value] = createTree(splitDataset(dataSet,bestFeat,value),subLabels)

    return myTree


myData,labels = dtree.createDataSet()
print('myData:',myData)
myTree = createTree(myData,labels)
print('myTree:',myTree)
结果输出
('myData:', [[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']])
('myTree:', {'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}})
结果分析
myTree 包含了树结构信息的前套字典，第一个关键字no surfacing是第一个划分数据集的特征名称，值为另一个数据字典，第二个关键字是no surfacing特征划分的数据集，是no surfacing的字节点，如果值是类标签，那么该节点为叶子节点，如果值是另一个数据字典，那么该节点是个判断节点，如此递归。

###测试算法:使用决策树执行分类 ####使用决策树的分类函数

import treeplotter
import dtree
def classify(inputTree,featLabels,testVec):
    firstStr = inputTree.keys()[0]
    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

myDat,labels = dtree.createDataSet()
print(labels)
myTree = myTree = treeplotter.retrieveTree(0)
print(myTree)
print('classify(myTree,labels,[1,0]):',classify(myTree,labels,[1,0]))
print('classify(myTree,labels,[1,1]):',classify(myTree,labels,[1,1]))

#####结果输出

['no surfacing', 'flippers']
{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}, 3: 'maybe'}}
('classify(myTree,labels,[1,0]):', 'no')
('classify(myTree,labels,[1,1]):', 'yes')

####存储决策树

由于决策树的构造十分耗时，所以用创建好的决策树解决分类问题可以极大的提高效率。因此需要使用python模块pickle序列化对象，序列化对象可以在磁盘上保存对象，并在需要的地方读取出来，任何对象都可以执行序列化操作。

#使用pickle模块存储决策树
import pickle
def storeTree(inputTree,filename):
    fw = open(filename,'w')
    pickle.dump(inputTree,fw)
    fw.close()

def grabTree(filename):
    fr = open(filename)
    return pickle.load(fr)

###决策树算法小结

决策树分类器就像带有终止块的流程图，终止块表示分类结果。首先我们需要测量集合数据中的熵即不一致性，然后寻求最优方案划分数据集，直到数据集中的所有数据属于同一分类。决策树的构造算法有很多版本，本文中用到的是ID3 ，最流行的是C4.5和CART。