決策樹(shù)的python實(shí)現(xiàn)

2019-11-14 17:30:26

字體：大中小

來(lái)源：轉(zhuǎn)載

供稿：網(wǎng)友

決策樹(shù)

算法優(yōu)缺點(diǎn)：

優(yōu)點(diǎn)：計(jì)算復(fù)雜度不高，輸出結(jié)果易于理解，對(duì)中間值缺失不敏感，可以處理不相關(guān)的特征數(shù)據(jù)
缺點(diǎn)：可能會(huì)產(chǎn)生過(guò)度匹配的問(wèn)題
適用數(shù)據(jù)類(lèi)型：數(shù)值型和標(biāo)稱(chēng)型

算法思想：

1.決策樹(shù)構(gòu)造的整體思想：

決策樹(shù)說(shuō)白了就好像是if-else結(jié)構(gòu)一樣，它的結(jié)果就是你要生成這個(gè)一個(gè)可以從根開(kāi)始不斷判斷選擇到葉子節(jié)點(diǎn)的樹(shù)，但是呢這里的if-else必然不會(huì)是讓我們認(rèn)為去設(shè)置的，我們要做的是提供一種方法，計(jì)算機(jī)可以根據(jù)這種方法得到我們所需要的決策樹(shù)。這個(gè)方法的重點(diǎn)就在于如何從這么多的特征中選擇出有價(jià)值的，并且按照最好的順序由根到葉選擇。完成了這個(gè)我們也就可以遞歸構(gòu)造一個(gè)決策樹(shù)了

2.信息增益

劃分?jǐn)?shù)據(jù)集的最大原則是將無(wú)序的數(shù)據(jù)變得更加有序。既然這又牽涉到信息的有序無(wú)序問(wèn)題，自然要想到想弄的信息熵了。這里我們計(jì)算用的也是信息熵（另一種方法是基尼不純度）。公式如下：

數(shù)據(jù)需要滿(mǎn)足的要求：

1 數(shù)據(jù)必須是由列表元素組成的列表，而且所有的列白哦元素都要具有相同的數(shù)據(jù)長(zhǎng)度
2 數(shù)據(jù)的最后一列或者每個(gè)實(shí)例的最后一個(gè)元素應(yīng)是當(dāng)前實(shí)例的類(lèi)別標(biāo)簽

函數(shù)：

calcShannonEnt(dataSet)
計(jì)算數(shù)據(jù)集的香農(nóng)熵，分兩步，第一步計(jì)算頻率，第二部根據(jù)公式計(jì)算香農(nóng)熵
splitDataSet(dataSet, aixs, value)
劃分?jǐn)?shù)據(jù)集，將滿(mǎn)足X[aixs]==value的值都劃分到一起，返回一個(gè)劃分好的集合（不包括用來(lái)劃分的aixs屬性，因?yàn)椴恍枰?br />chooseBestFeature(dataSet)
選擇最好的屬性進(jìn)行劃分，思路很簡(jiǎn)單就是對(duì)每個(gè)屬性都劃分下，看哪個(gè)好。這里使用到了一個(gè)set來(lái)選取列表中唯一的元素，這是一中很快的方法
majorityCnt(classList)
因?yàn)槲覀冞f歸構(gòu)建決策樹(shù)是根據(jù)屬性的消耗進(jìn)行計(jì)算的，所以可能會(huì)存在最后屬性用完了，但是分類(lèi)還是沒(méi)有算完，這時(shí)候就會(huì)采用多數(shù)表決的方式計(jì)算節(jié)點(diǎn)分類(lèi)
createTree(dataSet, labels)
基于遞歸構(gòu)建決策樹(shù)。這里的label更多是對(duì)于分類(lèi)特征的名字，為了更好看和后面的理解。

 1 #coding=utf-8 2 import Operator 3 from math import log 4 import time 5  6 def createDataSet(): 7     dataSet=[[1,1,'yes'], 8             [1,1,'yes'], 9             [1,0,'no'],10             [0,1,'no'],11             [0,1,'no']]12     labels = ['no surfaceing','flippers']13     return dataSet, labels14 15 #計(jì)算香農(nóng)熵16 def calcShannonEnt(dataSet):17     numEntries = len(dataSet)18     labelCounts = {}19     for feaVec in dataSet:20         currentLabel = feaVec[-1]21         if currentLabel not in labelCounts:22             labelCounts[currentLabel] = 023         labelCounts[currentLabel] += 124     shannonEnt = 0.025     for key in labelCounts:26         PRob = float(labelCounts[key])/numEntries27         shannonEnt -= prob * log(prob, 2)28     return shannonEnt29 30 def splitDataSet(dataSet, axis, value):31     retDataSet = []32     for featVec in dataSet:33         if featVec[axis] == value:34             reducedFeatVec = featVec[:axis]35             reducedFeatVec.extend(featVec[axis+1:])36             retDataSet.append(reducedFeatVec)37     return retDataSet38     39 def chooseBestFeatureToSplit(dataSet):40     numFeatures = len(dataSet[0]) - 1#因?yàn)閿?shù)據(jù)集的最后一項(xiàng)是標(biāo)簽41     baseEntropy = calcShannonEnt(dataSet)42     bestInfoGain = 0.043     bestFeature = -144     for i in range(numFeatures):45         featList = [example[i] for example in dataSet]46         uniqueVals = set(featList)47         newEntropy = 0.048         for value in uniqueVals:49             subDataSet = splitDataSet(dataSet, i, value)50             prob = len(subDataSet) / float(len(dataSet))51             newEntropy += prob * calcShannonEnt(subDataSet)52         infoGain = baseEntropy -newEntropy53         if infoGain > bestInfoGain:54             bestInfoGain = infoGain55             bestFeature = i56     return bestFeature57             58 #因?yàn)槲覀冞f歸構(gòu)建決策樹(shù)是根據(jù)屬性的消耗進(jìn)行計(jì)算的，所以可能會(huì)存在最后屬性用完了，但是分類(lèi)59 #還是沒(méi)有算完，這時(shí)候就會(huì)采用多數(shù)表決的方式計(jì)算節(jié)點(diǎn)分類(lèi)60 def majorityCnt(classList):61     classCount = {}62     for vote in classList:63         if vote not in classCount.keys():64             classCount[vote] = 065         classCount[vote] += 166     return max(classCount)         67     68 def createTree(dataSet, labels):69     classList = [example[-1] for example in dataSet]70     if classList.count(classList[0]) ==len(classList):#類(lèi)別相同則停止劃分71         return classList[0]72     if len(dataSet[0]) == 1:#所有特征已經(jīng)用完73         return majorityCnt(classList)74     bestFeat = chooseBestFeatureToSplit(dataSet)75     bestFeatLabel = labels[bestFeat]76     myTree = {bestFeatLabel:{}}77     del(labels[bestFeat])78     featValues = [example[bestFeat] for example in dataSet]79     uniqueVals = set(featValues)80     for value in uniqueVals:81         subLabels = labels[:]#為了不改變?cè)剂斜淼膬?nèi)容復(fù)制了一下82         myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, 83                                         bestFeat, value),subLabels)84     return myTree85     86 def main():87     data,label = createDataSet()88     t1 = time.clock()89     myTree = createTree(data,label)90     t2 = time.clock()91     print myTree92     print 'execute for ',t2-t193 if __name__=='__main__':94     main()