标签：return labels ID3 CART dataSet element data 决策树
决策树挑出好西瓜（基于ID3、CART）
一、决策树
1. 介绍
决策树是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法
主要算法有ID3、C4.5、CART
决策树包含三种类型的节点：
- 决策节点：通常用矩形框
- 机会节点：通常用圆圈
- 终节点：通常用三级形
2. 决策树事件处理流程
- 构建策略：
随着树的深度增加，节点的熵迅速降低。熵降低的速度越快越好，可以得到高度最矮的决策树 - 决策树
决策树的基本流程遵循“分而治之”策略。 - 伪代码
输入：训练集 D = ( x 1 , y 1 ) , ( x 2 , y 2 ) , … , ( x m , y m ) D={(x_1,y_1),(x_2,y_2),…,(x_m,y_m)} D=(x1,y1),(x2,y2),…,(xm,ym); 属性集 A = a 1 , a 2 , . . . , a d A = a_1 , a _2 , . . . , a _d A=a1,a2,...,ad
过程：函数 T r e e G e n e r a t e ( D , A ) TreeGenerate(D,A) TreeGenerate(D,A)
1: 生成节点 node;
2: if D D D中样本全属于同一类别 C C C then
3: 将 node 标记为 C C C类叶节点;return
4:end if
5: if A A A= ∅ o r or or D D D中样本在A上取值相同 then
6: 将 node 标记为叶节点，其类别标记为D中样本数最多的类;return
7: end if
8: 从A中选择最优划分属性 a ∗ a_* a∗;
9: for a ∗ a_* a∗的每一个值 a ∗ v d o a_*^vdo a∗vdo
10: 为node生成一个分支;令 D v D_v Dv表示D中在 a ∗ v a_*v a∗v上取值为 a ∗ v a_*^v a∗v的样本子集;
11: if D v D_v Dv为空 then
12: 将分支节点标记为叶节点，其类别标记为 D D D中样本最多的类;return
13: else
14: 以 T r e e G e n e r a t e TreeGenerate TreeGenerate( D v , A D_v,A Dv,A
{ a ∗ a_* a∗})为分支节点。
15: end if
16:end for
输出：以node为根节点的一颗决策树 - 结束递归的三个条件
- 样本全部属于同一类别
- 此属性集合为孔或者此时所有样本的哥哥属性值相同
- 数据集在某一个属性上没有样本
3. 理论基础
- 纯度 （purity）
对于一个分支结点，如果该结点所包含的样本都属于同一类，那么它的纯度为1
纯度越高越好，尽可能多的样本属于同一类 - 信息熵（information entropy）
样本集合D中第k类样本所占的比例为 p k （ k = 1 , , 2 , . . . , ∣ y ∣ p_k（k=1,,2,...,|y| pk（k=1,,2,...,∣y∣，则D的信息熵定义为：
E n t ( D ) Ent(D) Ent(D)值越小， D D D的纯度越高 - 信息增益（information gain）
假定离散属性a有V个可能的取值 a 1 , a 2 , . . . , a V {a1,a2,...,aV} a1,a2,...,aV. 若使用a对样本集D进行分类，则会产生V个分支结点，记 D v D^v Dv为第v个分支结点包含的D中所有在属性a上取值为 a v a^v av的样本。不同分支结点样本数不同，我们给予分支结点不同的权重： ∣ D v ∣ / ∣ D ∣ |Dv|/|D| ∣Dv∣/∣D∣, 该权重赋予样本数较多的分支结点更大的影响
可以表示为划分后的信息熵。“前-后”的结果表明了本次划分所获得的信息熵减少量，也就是纯度的提升度
G a i n ( D , a ) Gain(D,a) Gain(D,a)越大，获得的纯度提升越大，此次划分的效果越好 - 增益率 (gain ratio)
基于信息增益的最优属性划分原则——信息增益准则，对可取值数据较多的属性有所偏好
称为属性 a a a的固有值。属性 a a a的可能取值数目越多（即V越大），则 I V ( a ) IV(a) IV(a)的值通常会越大。这在一定程度上消除了对可取值数据较多的属性的偏好。
事实上，增益率准则对可取值数目较少的属性有所偏好， C 4.5 C4.5 C4.5算法并不是直接使用增益率准则，而是先从候选划分属性中找出信息增益高于平均水平的属性，再从中选择增益率最高的。 - 基尼指数 (Gini index)
C A R T CART CART决策树算法使用基尼指数来选择划分属性。数据集 D D D的纯度可用基尼值来度量：
可以这样理解基尼指数：从数据集 D D D中随机抽取两个样本，其类别标记不一致的概率。 G i n i ( D ) Gini(D) Gini(D)越小，纯度越高
在候选属性集合 A AA 中，选择那个使得划分后基尼指数最小的属性作为最优化分属性。即 a ∗ = a r g a ∈ A m i n G i n i i n d e x ( D , a ) a_∗ = arg _a ∈ A min G i n i _ i n d e x ( D , a ) a∗=arga∈AminGiniindex(D,a)
二、ID3决策树及Python实现
1. 数据处理
2. 步骤
- 计算初始信息熵
- 计算信息增益
- 按照信息增益的大小排序
- 选取最大的信息增益的特征，以此特征作为划分节点
- 该特征从特征列表删除，继续返回到上一步筛选，重复操作，知道特征列表 = 0
3. 决策树实现
- 导入包
#导入模块
import pandas as pd
import numpy as np
from collections import Counter
from math import log2
- 数据的获取处理操作
#数据获取与处理
def getData(filePath):
data = pd.read_excel(filePath)
return data
def dataDeal(data):
dataList = np.array(data).tolist()
dataSet = [element[1:] for element in dataList]
return dataSet
- 获取属性名称
获取属性名称：纹理，色泽，根蒂，敲声，脐部，触感。
#获取属性名称
def getLabels(data):
labels = list(data.columns)[1:-1]
return labels
- 获取类别标记
获取一个样本是否好瓜的标记（是与否）。
#获取属性名称
def getLabels(data):
labels = list(data.columns)[1:-1]
return labels
#获取类别标记
def targetClass(dataSet):
classification = set([element[-1] for element in dataSet])
return classification
- 叶节点标记
#将分支结点标记为叶结点，选择样本数最多的类作为类标记
def majorityRule(dataSet):
mostKind = Counter([element[-1] for element in dataSet]).most_common(1)
majorityKind = mostKind[0][0]
return majorityKind
- 计算信息熵
#计算信息熵
def infoEntropy(dataSet):
classColumnCnt = Counter([element[-1] for element in dataSet])
Ent = 0
for symbol in classColumnCnt:
p_k = classColumnCnt[symbol]/len(dataSet)
Ent = Ent-p_k*log2(p_k)
return Ent
- 子数据集构建
#子数据集构建
def makeAttributeData(dataSet,value,iColumn):
attributeData = []
for element in dataSet:
if element[iColumn]==value:
row = element[:iColumn]
row.extend(element[iColumn+1:])
attributeData.append(row)
return attributeData
- 计算信息增益
#计算信息增益
def infoGain(dataSet,iColumn):
Ent = infoEntropy(dataSet)
tempGain = 0.0
attribute = set([element[iColumn] for element in dataSet])
for value in attribute:
attributeData = makeAttributeData(dataSet,value,iColumn)
tempGain = tempGain+len(attributeData)/len(dataSet)*infoEntropy(attributeData)
Gain = Ent-tempGain
return Gain
- 选择最优属性
#选择最优属性
def selectOptimalAttribute(dataSet,labels):
bestGain = 0
sequence = 0
for iColumn in range(0,len(labels)):#不计最后的类别列
Gain = infoGain(dataSet,iColumn)
if Gain>bestGain:
bestGain = Gain
sequence = iColumn
print(labels[iColumn],Gain)
return sequence
- 建立决策树
#建立决策树
def createTree(dataSet,labels):
classification = targetClass(dataSet) #获取类别种类（集合去重）
if len(classification) == 1:
return list(classification)[0]
if len(labels) == 1:
return majorityRule(dataSet)#返回样本种类较多的类别
sequence = selectOptimalAttribute(dataSet,labels)
print(labels)
optimalAttribute = labels[sequence]
del(labels[sequence])
myTree = {optimalAttribute:{}}
attribute = set([element[sequence] for element in dataSet])
for value in attribute:
print(myTree)
print(value)
subLabels = labels[:]
myTree[optimalAttribute][value] = \
createTree(makeAttributeData(dataSet,value,sequence),subLabels)
return myTree
def main():
filePath = 'E:\Ai\watermelon\watermalon.xls'
data = getData(filePath)
dataSet = dataDeal(data)
labels = getLabels(data)
myTree = createTree(dataSet,labels)
return myTree
4. 分析
缺少一个色泽为浅白的叶
原始数据中不存在纹理为清晰、根蒂为稍蜷且色泽为浅白的瓜，导致决策树缺失这种情况的子叶。
三、Sklearn实现决策树
1. 基于信息增益准则方法建立决策树
- 导入相关库
#导入相关库
import pandas as pd
import graphviz
from sklearn.model_selection import train_test_split
from sklearn import tree
- 导入数据
f = open('watermalon.csv','r')
data = pd.read_csv(f)
x = data[["色泽","根蒂","敲声","纹理","脐部","触感"]].copy()
y = data['好瓜'].copy()
print(data)
- 进行数据转换，
#将特征值数值化
x = x.copy()
for i in ["色泽","根蒂","敲声","纹理","脐部","触感"]:
for j in range(len(x)):
if(x[i][j] == "青绿" or x[i][j] == "蜷缩" or data[i][j] == "浊响" \
or x[i][j] == "清晰" or x[i][j] == "凹陷" or x[i][j] == "硬滑"):
x[i][j] = 1
elif(x[i][j] == "乌黑" or x[i][j] == "稍蜷" or data[i][j] == "沉闷" \
or x[i][j] == "稍糊" or x[i][j] == "稍凹" or x[i][j] == "软粘"):
x[i][j] = 2
else:
x[i][j] = 3
y = y.copy()
for i in range(len(y)):
if(y[i] == "是"):
y[i] = int(1)
else:
y[i] = int(-1)
#需要将数据x，y转化好格式，数据框dataframe，否则格式报错
x = pd.DataFrame(x).astype(int)
y = pd.DataFrame(y).astype(int)
print(x)
print(y)
4. 建立模型并进行训练
x_train, x_test, y_train, y_test = train_test_split(x,y,test_size=0.2)
print(x_train)
#决策树学习
clf = tree.DecisionTreeClassifier(criterion="entropy") #实例化
clf = clf.fit(x_train, y_train)
score = clf.score(x_test, y_test)
print(score)
5. 绘制决策树
# 加上Graphviz2.38绝对路径
import os
os.environ["PATH"] += os.pathsep + 'D:/Some_App_Use/Anaconda/Anaconda3/Library/bin/graphviz'
feature_name = ["色泽","根蒂","敲声","纹理","脐部","触感"]
dot_data = tree.export_graphviz(clf ,feature_names= feature_name,class_names=["好瓜","坏瓜"],filled=True,rounded=True,out_file =None)
graph = graphviz.Source(dot_data)
graph
2. CART算法实现
只需要将DecisionTreeClassifier函数的参数criterion的值改为gini：
clf = tree.DecisionTreeClassifier(criterion="gini") #实例化
clf = clf.fit(x_train, y_train)
score = clf.score(x_test, y_test)
print(score)
- 绘制决策树
# 加上Graphviz2.38绝对路径
import os
os.environ["PATH"] += os.pathsep + 'D:/Some_App_Use/Anaconda/Anaconda3/Library/bin/graphviz'
feature_name = ["色泽","根蒂","敲声","纹理","脐部","触感"]
dot_data = tree.export_graphviz(clf ,feature_names= feature_name,class_names=["好瓜","坏瓜"],filled=True,rounded=True,out_file =None)
graph = graphviz.Source(dot_data)
graph
四、总结
- Sklearn库使用时，必须将特征量以及标签转化为数值型才能生成模型
- 对于数据量的大小，绘制出的树状模型波动较大
五、参考
机器学习笔记（4）——ID3决策树算法及其Python实现
【机器学习】机器学习之决策树（基于ID3、CART挑选西瓜）
【机器学习】 - 决策树（西瓜数据集）
西瓜书中ID3决策树的实现。
决策树ID3详解（西瓜案例）
信息熵的计算
（一）《机器学习》（周志华）第4章 决策树 笔记 理论及实现——“西瓜树”
标签：return,labels,ID3,CART,dataSet,element,data,决策树 来源： https://blog.csdn.net/weixin_47554309/article/details/120959933
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。