• 第3章 决策树
    • 决策树 概述
    • 决策树 场景
    • 决策树 原理
      • 决策树 须知概念
        • 信息熵 & 信息增益
      • 决策树 工作原理
      • 决策树 开发流程
      • 决策树 算法特点
    • 决策树 项目案例
      • 项目案例1: 判定鱼类和非鱼类
        • 项目概述
        • 开发流程
      • 项目案例2: 使用决策树预测隐形眼镜类型
        • 项目概述
        • 开发流程

    第3章 决策树

    决策树_首页

    决策树 概述

    决策树（Decision Tree）算法是一种基本的分类与回归方法，是最经常使用的数据挖掘算法之一。我们这章节只讨论用于分类的决策树。

    决策树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。它可以认为是 if-then 规则的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。

    决策树学习通常包括 3 个步骤：特征选择、决策树的生成和决策树的修剪。

    决策树 场景

    一个叫做 “二十个问题” 的游戏，游戏的规则很简单：参与游戏的一方在脑海中想某个事物，其他参与者向他提问，只允许提 20 个问题，问题的答案也只能用对或错回答。问问题的人通过推断分解，逐步缩小待猜测事物的范围，最后得到游戏的答案。

    一个邮件分类系统，大致工作流程如下：

    决策树-流程图

    1. 首先检测发送邮件域名地址。如果地址为 myEmployer.com, 则将其放在分类 "无聊时需要阅读的邮件"中。
    2. 如果邮件不是来自这个域名，则检测邮件内容里是否包含单词 "曲棍球" , 如果包含则将邮件归类到 "需要及时处理的朋友邮件", 
    3. 如果不包含则将邮件归类到 "无需阅读的垃圾邮件" 。

    决策树的定义：

    分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点（node）和有向边（directed edge）组成。结点有两种类型：内部结点（internal node）和叶结点（leaf node）。内部结点表示一个特征或属性(features)，叶结点表示一个类(labels)。

    用决策树对需要测试的实例进行分类：从根节点开始，对实例的某一特征进行测试，根据测试结果，将实例分配到其子结点；这时，每一个子结点对应着该特征的一个取值。如此递归地对实例进行测试并分配，直至达到叶结点。最后将实例分配到叶结点的类中。

    决策树 原理

    决策树 须知概念

    信息熵 & 信息增益

    熵（entropy）：
    熵指的是体系的混乱的程度，在不同的学科中也有引申出的更为具体的定义，是各领域十分重要的参量。

    信息论（information theory）中的熵（香农熵）：
    是一种信息的度量方式，表示信息的混乱程度，也就是说：信息越有序，信息熵越低。例如：火柴有序放在火柴盒里，熵值很低，相反，熵值很高。

    信息增益（information gain）：
    在划分数据集前后信息发生的变化称为信息增益。

    决策树 工作原理

    如何构造一个决策树?

    我们使用 createBranch() 方法，如下所示：

    1. def createBranch():
    2. '''
    3. 此处运用了迭代的思想。 感兴趣可以搜索 迭代 recursion， 甚至是 dynamic programing。
    4. '''
    5.     检测数据集中的所有数据的分类标签是否相同:
    6.         If so return 类标签
    7.         Else:
    8.             寻找划分数据集的最好特征（划分之后信息熵最小，也就是信息增益最大的特征）
    9.             划分数据集
    10.             创建分支节点
    11.                 for 每个划分的子集
    12.                     调用函数 createBranch （创建分支的函数）并增加返回结果到分支节点中
    13.             return 分支节点

    决策树 开发流程

    1. 收集数据：可以使用任何方法。
    2. 准备数据：树构造算法 (这里使用的是ID3算法，只适用于标称型数据，这就是为什么数值型数据必须离散化。 还有其他的树构造算法，比如CART)
    3. 分析数据：可以使用任何方法，构造树完成之后，我们应该检查图形是否符合预期。
    4. 训练算法：构造树的数据结构。
    5. 测试算法：使用训练好的树计算错误率。
    6. 使用算法：此步骤可以适用于任何监督学习任务，而使用决策树可以更好地理解数据的内在含义。

    决策树 算法特点

    1. 优点：计算复杂度不高，输出结果易于理解，数据有缺失也能跑，可以处理不相关特征。
    2. 缺点：容易过拟合。
    3. 适用数据类型：数值型和标称型。

    决策树 项目案例

    项目案例1: 判定鱼类和非鱼类

    项目概述

    根据以下 2 个特征，将动物分成两类：鱼类和非鱼类。

    特征：

    1. 不浮出水面是否可以生存
    2. 是否有脚蹼

    开发流程

    完整代码地址: https://github.com/apachecn/MachineLearning/blob/master/src/python/3.DecisionTree/DecisionTree.py

    1. 收集数据：可以使用任何方法
    2. 准备数据：树构造算法（这里使用的是ID3算法，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，我们可以将树画出来。
    4. 训练算法：构造树结构
    5. 测试算法：使用习得的决策树执行分类
    6. 使用算法：此步骤可以适用于任何监督学习任务，而使用决策树可以更好地理解数据的内在含义

    收集数据：可以使用任何方法

    海洋生物数据

    我们利用 createDataSet() 函数输入数据

    1. def createDataSet():
    2.     dataSet = [[1, 1, 'yes'],
    3.             [1, 1, 'yes'],
    4.             [1, 0, 'no'],
    5.             [0, 1, 'no'],
    6.             [0, 1, 'no']]
    7.     labels = ['no surfacing', 'flippers']
    8.     return dataSet, labels

    准备数据：树构造算法

    此处，由于我们输入的数据本身就是离散化数据，所以这一步就省略了。

    分析数据：可以使用任何方法，构造树完成之后，我们可以将树画出来。

    熵的计算公式

    计算给定数据集的香农熵的函数

    1. def calcShannonEnt(dataSet):
    2.     # 求list的长度，表示计算参与训练的数据量
    3.     numEntries = len(dataSet)
    4.     # 计算分类标签label出现的次数
    5.     labelCounts = {}
    6.     # the the number of unique elements and their occurrence
    7.     for featVec in dataSet:
    8.         # 将当前实例的标签存储，即每一行数据的最后一个数据代表的是标签
    9.         currentLabel = featVec[-1]
    10.         # 为所有可能的分类创建字典，如果当前的键值不存在，则扩展字典并将当前键值加入字典。每个键值都记录了当前类别出现的次数。
    11.         if currentLabel not in labelCounts.keys():
    12.             labelCounts[currentLabel] = 0
    13.         labelCounts[currentLabel] += 1
    15.     # 对于 label 标签的占比，求出 label 标签的香农熵
    16.     shannonEnt = 0.0
    17.     for key in labelCounts:
    18.         # 使用所有类标签的发生频率计算类别出现的概率。
    19.         prob = float(labelCounts[key])/numEntries
    20.         # 计算香农熵，以 2 为底求对数
    21.         shannonEnt -= prob * log(prob, 2)
    22.     return shannonEnt

    按照给定特征划分数据集

    将指定特征的特征值等于 value 的行剩下列作为子数据集。

    1. def splitDataSet(dataSet, index, value):
    2.     """splitDataSet(通过遍历dataSet数据集，求出index对应的colnum列的值为value的行)
    3.         就是依据index列进行分类，如果index列的数据等于 value的时候，就要将 index 划分到我们创建的新的数据集中
    4.     Args:
    5.         dataSet 数据集                 待划分的数据集
    6.         index 表示每一行的index列        划分数据集的特征
    7.         value 表示index列对应的value值   需要返回的特征的值。
    8.     Returns:
    9.         index列为value的数据集【该数据集需要排除index列】
    10.     """
    11.     retDataSet = []
    12.     for featVec in dataSet: 
    13.         # index列为value的数据集【该数据集需要排除index列】
    14.         # 判断index列的值是否为value
    15.         if featVec[index] == value:
    16.             # chop out index used for splitting
    17.             # [:index]表示前index行，即若 index 为2，就是取 featVec 的前 index 行
    18.             reducedFeatVec = featVec[:index]
    19.             '''
    20.             请百度查询一下： extend和append的区别
    21.             music_media.append(object) 向列表中添加一个对象object
    22.             music_media.extend(sequence) 把一个序列seq的内容添加到列表中 (跟 += 在list运用类似， music_media += sequence)
    23.             1、使用append的时候，是将object看作一个对象，整体打包添加到music_media对象中。
    24.             2、使用extend的时候，是将sequence看作一个序列，将这个序列和music_media序列合并，并放在其后面。
    25.             music_media = []
    26.             music_media.extend([1,2,3])
    27.             print music_media
    28.             #结果：
    29.             #[1, 2, 3]
    31.             music_media.append([4,5,6])
    32.             print music_media
    33.             #结果：
    34.             #[1, 2, 3, [4, 5, 6]]
    36.             music_media.extend([7,8,9])
    37.             print music_media
    38.             #结果：
    39.             #[1, 2, 3, [4, 5, 6], 7, 8, 9]
    40.             '''
    41.             reducedFeatVec.extend(featVec[index+1:])
    42.             # [index+1:]表示从跳过 index 的 index+1行，取接下来的数据
    43.             # 收集结果值 index列为value的行【该行需要排除index列】
    44.             retDataSet.append(reducedFeatVec)
    45.     return retDataSet

    选择最好的数据集划分方式

    1. def chooseBestFeatureToSplit(dataSet):
    2.     """chooseBestFeatureToSplit(选择最好的特征)
    4.     Args:
    5.         dataSet 数据集
    6.     Returns:
    7.         bestFeature 最优的特征列
    8.     """
    9.     # 求第一行有多少列的 Feature, 最后一列是label列嘛
    10.     numFeatures = len(dataSet[0]) - 1
    11.     # 数据集的原始信息熵
    12.     baseEntropy = calcShannonEnt(dataSet)
    13.     # 最优的信息增益值, 和最优的Featurn编号
    14.     bestInfoGain, bestFeature = 0.0, -1
    15.     # iterate over all the features
    16.     for i in range(numFeatures):
    17.         # create a list of all the examples of this feature
    18.         # 获取对应的feature下的所有数据
    19.         featList = [example[i] for example in dataSet]
    20.         # get a set of unique values
    21.         # 获取剔重后的集合，使用set对list数据进行去重
    22.         uniqueVals = set(featList)
    23.         # 创建一个临时的信息熵
    24.         newEntropy = 0.0
    25.         # 遍历某一列的value集合，计算该列的信息熵 
    26.         # 遍历当前特征中的所有唯一属性值，对每个唯一属性值划分一次数据集，计算数据集的新熵值，并对所有唯一特征值得到的熵求和。
    27.         for value in uniqueVals:
    28.             subDataSet = splitDataSet(dataSet, i, value)
    29.             # 计算概率
    30.             prob = len(subDataSet)/float(len(dataSet))
    31.             # 计算信息熵
    32.             newEntropy += prob * calcShannonEnt(subDataSet)
    33.         # gain[信息增益]: 划分数据集前后的信息变化， 获取信息熵最大的值
    34.         # 信息增益是熵的减少或者是数据无序度的减少。最后，比较所有特征中的信息增益，返回最好特征划分的索引值。
    35.         infoGain = baseEntropy - newEntropy
    36.         print 'infoGain=', infoGain, 'bestFeature=', i, baseEntropy, newEntropy
    37.         if (infoGain > bestInfoGain):
    38.             bestInfoGain = infoGain
    39.             bestFeature = i
    40.     return bestFeature
    1. 问：上面的 newEntropy 为什么是根据子集计算的呢？
    2. 答：因为我们在根据一个特征计算香农熵的时候，该特征的分类值是相同，这个特征这个分类的香农熵为 0；
    3. 这就是为什么计算新的香农熵的时候使用的是子集。

    训练算法：构造树的数据结构

    创建树的函数代码如下：

    1. def createTree(dataSet, labels):
    2.     classList = [example[-1] for example in dataSet]
    3.     # 如果数据集的最后一列的第一个值出现的次数=整个集合的数量，也就说只有一个类别，就只直接返回结果就行
    4.     # 第一个停止条件：所有的类标签完全相同，则直接返回该类标签。
    5.     # count() 函数是统计括号中的值在list中出现的次数
    6.     if classList.count(classList[0]) == len(classList):
    7.         return classList[0]
    8.     # 如果数据集只有1列，那么最初出现label次数最多的一类，作为结果
    9.     # 第二个停止条件：使用完了所有特征，仍然不能将数据集划分成仅包含唯一类别的分组。
    10.     if len(dataSet[0]) == 1:
    11.         return majorityCnt(classList)
    13.     # 选择最优的列，得到最优列对应的label含义
    14.     bestFeat = chooseBestFeatureToSplit(dataSet)
    15.     # 获取label的名称
    16.     bestFeatLabel = labels[bestFeat]
    17.     # 初始化myTree
    18.     myTree = {bestFeatLabel: {}}
    19.     # 注：labels列表是可变对象，在PYTHON函数中作为参数时传址引用，能够被全局修改
    20.     # 所以这行代码导致函数外的同名变量被删除了元素，造成例句无法执行，提示'no surfacing' is not in list
    21.     del(labels[bestFeat])
    22.     # 取出最优列，然后它的branch做分类
    23.     featValues = [example[bestFeat] for example in dataSet]
    24.     uniqueVals = set(featValues)
    25.     for value in uniqueVals:
    26.         # 求出剩余的标签label
    27.         subLabels = labels[:]
    28.         # 遍历当前选择特征包含的所有属性值，在每个数据集划分上递归调用函数createTree()
    29.         myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value), subLabels)
    30.         # print 'myTree', value, myTree
    31.     return myTree

    测试算法：使用决策树执行分类

    1. def classify(inputTree, featLabels, testVec):
    2.     """classify(给输入的节点，进行分类)
    4.     Args:
    5.         inputTree  决策树模型
    6.         featLabels Feature标签对应的名称
    7.         testVec    测试输入的数据
    8.     Returns:
    9.         classLabel 分类的结果值，需要映射label才能知道名称
    10.     """
    11.     # 获取tree的根节点对于的key值
    12.     firstStr = inputTree.keys()[0]
    13.     # 通过key得到根节点对应的value
    14.     secondDict = inputTree[firstStr]
    15.     # 判断根节点名称获取根节点在label中的先后顺序，这样就知道输入的testVec怎么开始对照树来做分类
    16.     featIndex = featLabels.index(firstStr)
    17.     # 测试数据，找到根节点对应的label位置，也就知道从输入的数据的第几位来开始分类
    18.     key = testVec[featIndex]
    19.     valueOfFeat = secondDict[key]
    20.     print '+++', firstStr, 'xxx', secondDict, '---', key, '>>>', valueOfFeat
    21.     # 判断分枝是否结束: 判断valueOfFeat是否是dict类型
    22.     if isinstance(valueOfFeat, dict):
    23.         classLabel = classify(valueOfFeat, featLabels, testVec)
    24.     else:
    25.         classLabel = valueOfFeat
    26.     return classLabel

    使用算法：此步骤可以适用于任何监督学习任务，而使用决策树可以更好地理解数据的内在含义。

    项目案例2: 使用决策树预测隐形眼镜类型

    完整代码地址: https://github.com/apachecn/MachineLearning/blob/master/src/python/3.DecisionTree/DecisionTree.py

    项目概述

    隐形眼镜类型包括硬材质、软材质以及不适合佩戴隐形眼镜。我们需要使用决策树预测患者需要佩戴的隐形眼镜类型。

    开发流程

    1. 收集数据: 提供的文本文件。
    2. 解析数据: 解析 tab 键分隔的数据行
    3. 分析数据: 快速检查数据，确保正确地解析数据内容，使用 createPlot() 函数绘制最终的树形图。
    4. 训练算法: 使用 createTree() 函数。
    5. 测试算法: 编写测试函数验证决策树可以正确分类给定的数据实例。
    6. 使用算法: 存储树的数据结构，以便下次使用时无需重新构造树。

    收集数据：提供的文本文件

    文本文件数据格式如下：

    1. young    myope    no    reduced    no lenses
    2. pre    myope    no    reduced    no lenses
    3. presbyopic    myope    no    reduced    no lenses

    解析数据：解析 tab 键分隔的数据行

    1. lecses = [inst.strip().split('\t') for inst in fr.readlines()]
    2. lensesLabels = ['age', 'prescript', 'astigmatic', 'tearRate']

    分析数据：快速检查数据，确保正确地解析数据内容，使用 createPlot() 函数绘制最终的树形图。

    1. >>> treePlotter.createPlot(lensesTree)

    训练算法：使用 createTree() 函数

    1. >>> lensesTree = trees.createTree(lenses, lensesLabels)
    2. >>> lensesTree
    3. {'tearRate': {'reduced': 'no lenses', 'normal': {'astigmatic':{'yes':
    4. {'prescript':{'hyper':{'age':{'pre':'no lenses', 'presbyopic':
    5. 'no lenses', 'young':'hard'}}, 'myope':'hard'}}, 'no':{'age':{'pre':
    6. 'soft', 'presbyopic':{'prescript': {'hyper':'soft', 'myope':
    7. 'no lenses'}}, 'young':'soft'}}}}}

    测试算法: 编写测试函数验证决策树可以正确分类给定的数据实例。

    使用算法: 存储树的数据结构，以便下次使用时无需重新构造树。

    使用 pickle 模块存储决策树

    1. def storeTree(inputTree, filename):
    2.     impory pickle
    3.     fw = open(filename, 'wb')
    4.     pickle.dump(inputTree, fw)
    5.     fw.close()
    7. def grabTree(filename):
    8.     import pickle
    9.     fr = open(filename, 'rb')
    10.     return pickle.load(fr)
    • 作者：片刻 小瑶
    • GitHub地址: https://github.com/apachecn/MachineLearning
    • 版权声明：欢迎转载学习 => 请标注信息来源于 ApacheCN