注释:之前从未接触过决策树,直接上手对着书看源码,有点难,确实有点难~~
本代码是基于ID3编写,之后的ID4.5和CART等还没学习到
一.决策树的原理
没有看网上原理,直接看源码懂得原理,下面是我一个抛砖引玉的例子:
太丑了,在Linux下面操作实在不习惯,用的Kolourpqint画板也不好用,凑合看吧!
假设有两个特征:no surfing 、Flippers ,一个结果:Fish
现在假如给你一个测试:no surfing = 1, Flippers=0, 如何知道Fish的结果?太简单了Fish==A...
现在样本你不知道排序的情况下,那我们操作的步骤只能是两种:
1.no surfing = 1时判断Fish,直接得出结果Fish==A
2.Flippers=0时判断Fish,Fish可能是A也可能是B,再判断no surfing =1时,得出Fish == A
从上面我们可以看出,你选择的特征顺序对结果无影响,但是对计算的过程影响很大,我们能不能找到一种很好的途径去解决这个问题呢?
下面是两种方法:
方法一
方法二
由以上的两种思路可以得出,不同的分类方法差距很大吧?
决策树就是用来解决如何选用最佳的方法的一种算法!!!
一点不了解的,先花几分钟看一下我“”,这是整个算法的核心。
二.决策树的实现
(1)计算信息熵
为什么计算“”?自己去看原理就懂了。
1 def claShannonEnt(setData): 2 lengthData = len(setData) 3 dicData = {} 4 for cnt in range(lengthData): 5 if setData[cnt,-1] not in dicData.keys(): 6 dicData[setData[cnt,-1]] = 0 7 dicData[setData[cnt,-1]] += 1 8 Hent = 0.0#输出信息ent 9 for key in dicData.keys():10 pData = float(dicData[key])/lengthData11 Hent -= pData*math.log(pData,2)12 return Hent
(2)划分数据集
划分之后计算部分的信息熵之和,信息熵越小越好,信息增益越大越好。
1 def splitData(setData,axis,value): 2 ''' setData: sample sata 3 axis : 轴的位置 4 value : 满足条件的值 5 ''' 6 lengthData = setData.shape[0] 7 resultMat = np.zeros([1,setData.shape[1]]) 8 for count in range(lengthData): 9 if int(setData[count,axis]) == int(value) :10 resultMat = np.vstack((resultMat,setData[count,:]))11 returnMat = resultMat[1:,:]12 resultMat = np.hstack((returnMat[:,0:axis],returnMat[:,axis+1:]))13 return resultMat
(3)选择最佳的划分方案
这里的原理就是划分之后的信息熵变小,信息增益变大,其中信息熵越小越好,也就是信息增益越大越好,循环比较每种划分之后的信息增益。
1 def chooseBestTeature(setData): 2 numFeature = setData.shape[1] - 1 #特征数量 3 baceEntropy = claShannonEnt(setData) #信息熵 4 bestGain = 0.0 #最好增益 5 bestFeature = 0 #最好特征 6 for i in range(numFeature): 7 #featList = [example[i] for example in setData] 8 featList = setData[:,i] 9 uniquaVals = set(featList) #不同的Value值,set之后就变成无序集合10 newEntropy = 0.011 for value in uniquaVals:12 subDataSet = splitData(setData,i,value)#分割特征13 prob = len(subDataSet)/float(len(setData))14 newEntropy += prob * claShannonEnt(subDataSet)#平均信息熵15 infoGain = baceEntropy - newEntropy16 if (infoGain > bestGain):#求得最大增益17 bestGain = infoGain18 bestFeature = i19 return bestFeature
(4)计算分类之后的标签
这里有点难理解,准备在下面程序讲解的,写到这里就直接讲解了。
这是为了分类不了的情况做的准备,比如:[1,1,'yes'],[1,1,'no'],[1,0,'no'],[1,0,'yes'],[0,0,'no'],[0,0,'yes'],[0,1,'no'],[0,1,'yes'],大家可以按照上面的方法动手试试怎么分割?
我们可以想象一下,就像以前中学学的解方程,Y1+Y2=10 && 2Y1 +2Y2 =10 ,你怎么求解Y1和Y2 ?两个有冲突的方程和上面的样本之间的冲突是一样的。
这明显是一个出错的样本导致的,那怎么解决呢?
再给出一组样本:[1,1,'yes'],[1,1,'yes'],[1,1,'no'],[1,1,'yes'],我们利用错误的样本为少数,多数的样本为正确的,所以[1,1] = 'YES'
1 #计算分类之后的标签2 def majorityCnt(classList):3 classCount = {}4 for vote in classList:5 if vote not in classCount.keys():6 classCount[vote] = 07 classCount[vote] += 18 sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)9 return sortedClassCount
(5)建立决策树
这里采用递归的方法进行划分
调出循环的条件是:
1.最后的标签相同--->>>也就是最后就省一个答案了,没必要划分直接得出结果了。
2.就是第四点说的无解题,那就多的保留,少的丢弃。
1 def creatTree(dataSet,labels): 2 classList = dataSet[:,-1] 3 #标签全部相等的时候退出 4 if list(classList).count(classList[0]) == len(list(classList)): 5 return classList[0] 6 #最后的标签不相同,这个时候没办法分割,所以只能选择一个占比例大的标签了,博客会给具体例子 7 if len(dataSet[0,:]) == 1: 8 return majorityCnt(classList) 9 bestFeat = chooseBestTeature(dataSet)10 bestFeatLabel = labels[bestFeat]11 myTree = {bestFeatLabel:{}}12 del(labels[bestFeat])13 featValue = dataSet[:,bestFeat]14 uniqueVals = set(featValue)15 for value in uniqueVals:16 subLabels = labels[:]17 myTree[bestFeatLabel][value] = creatTree(splitData(dataSet,bestFeat,value),subLabels)18 return myTree
(6)使用决策树
就像建立决策树一样,采用递归一层一层的去找到数据属于哪个类,看懂上面的建立之后现在这里不很简单
1 def classify(inputTrees,featLabels,testVec): 2 firstStr = list(inputTrees.keys())[0]#字典首元素 3 secondDict = inputTrees[firstStr]#下一个字典 4 featIndex = featLabels.index(firstStr)#标签中的位置 5 for key in secondDict.keys(): 6 if testVec[featIndex] == int(key):#分支 7 if type(secondDict[key]).__name__=='dict':#如果还是字典说明还得划分 8 classLabels = classify(secondDict[key],featLabels,testVec)#迭代划分 9 else: classLabels = secondDict[key]#不是字典说明已经分类10 return classLabels
(7)存储决策树函数
(8)总程序设计
注意:我用的是Numpy数据,而不是List数据,这是有区别的,没有完全按照书上编写!
1 import numpy as np 2 import matplotlib.pyplot as ply 3 import math 4 import operator 5 6 def claShannonEnt(setData): 7 lengthData = len(setData) 8 dicData = {} 9 for cnt in range(lengthData):10 if setData[cnt,-1] not in dicData.keys():11 dicData[setData[cnt,-1]] = 012 dicData[setData[cnt,-1]] += 113 Hent = 0.0#输出信息ent14 for key in dicData.keys():15 pData = float(dicData[key])/lengthData16 Hent -= pData*math.log(pData,2)17 return Hent18 19 def splitData(setData,axis,value):20 ''' setData: sample sata21 axis : 轴的位置22 value : 满足条件的值23 '''24 lengthData = setData.shape[0]25 resultMat = np.zeros([1,setData.shape[1]])26 for count in range(lengthData):27 if int(setData[count,axis]) == int(value) :28 resultMat = np.vstack((resultMat,setData[count,:]))29 returnMat = resultMat[1:,:]30 resultMat = np.hstack((returnMat[:,0:axis],returnMat[:,axis+1:]))31 return resultMat32 33 def chooseBestTeature(setData):34 numFeature = setData.shape[1] - 1 #特征数量35 baceEntropy = claShannonEnt(setData) #信息熵36 bestGain = 0.0 #最好增益37 bestFeature = 0 #最好特征38 for i in range(numFeature):39 #featList = [example[i] for example in setData]40 featList = setData[:,i]41 uniquaVals = set(featList) #不同的Value值,set之后就变成无序集合42 newEntropy = 0.043 for value in uniquaVals:44 subDataSet = splitData(setData,i,value)#分割特征45 prob = len(subDataSet)/float(len(setData))46 newEntropy += prob * claShannonEnt(subDataSet)#平均信息熵47 infoGain = baceEntropy - newEntropy48 if (infoGain > bestGain):#求得最大增益49 bestGain = infoGain50 bestFeature = i51 return bestFeature52 53 #计算分类之后的标签54 def majorityCnt(classList):55 classCount = {}56 for vote in classList:57 if vote not in classCount.keys():58 classCount[vote] = 059 classCount[vote] += 160 sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)61 return sortedClassCount62 63 def creatTree(dataSet,labels):64 classList = dataSet[:,-1]65 #标签全部相等的时候退出66 if list(classList).count(classList[0]) == len(list(classList)):67 return classList[0]68 #最后的标签不相同,这个时候没办法分割,所以只能选择一个占比例大的标签了,博客会给具体例子69 if len(dataSet[0,:]) == 1:70 return majorityCnt(classList)71 bestFeat = chooseBestTeature(dataSet)72 bestFeatLabel = labels[bestFeat]73 myTree = {bestFeatLabel:{}}74 del(labels[bestFeat])75 featValue = dataSet[:,bestFeat]76 uniqueVals = set(featValue)77 for value in uniqueVals:78 subLabels = labels[:]79 myTree[bestFeatLabel][value] = creatTree(splitData(dataSet,bestFeat,value),subLabels)80 return myTree
1 import numpy as np2 import trees3 4 if __name__ == '__main__':5 testData = np.array([[1,1,'yes'],[1,1,'no'],[1,0,'no'],[1,0,'yes'],[0,0,'no'],[0,0,'yes'],[0,1,'no'],[0,1,'yes']])6 myTree = trees.creatTree(testData,['no surfacing','flippers'])#['yes','yes','no','no','no']7 print(myTree)