Python实现决策树
2016-06-18 17:34
393 查看
训练数据集来自李航的《统计学习方法》特征选择一章,决策树的生成采用ID3或者C4.5算法,决策树剪枝暂未实现。
决策树的实现还是比较容易的,主要思路如下:
1. 先计算整体类别的熵
2. 计算每个特征将训练数据集分割成的每个子集的熵,并将这个熵乘以每个子集相对于这个训练集的频率,最后将这些乘积累加,就会得到一个个特征对应的信息增益。
3. 选择信息增益最大的作为最优特征分割训练数据集
4. 递归上述过程
5. 递归结束条件:训练集的所有实例属于同一类;或者所有特征已经使用完毕。
信息增益比的概念:对于特征A,信息增益和特征A的值得熵的比值。特征A的值的熵,就是特征A分割的每个子集对应于当前训练集生成的熵。
首先是文件开头加入如下两行,便于后面相应的调用
首先是实现熵的计算。
分割训练数据集。这里需要注意append和extend的用法。
生成训练数据集。四个标签分别为:年龄,有无工作,有无自己的房子,信贷情况。
上面一个按照ID3算法选择每次特征选择时信息增益最大的特征。如果使用C4.5算法应该选择下面一个函数,即对于信息增益比的选择。
当出现特征A已经被全部遍历完毕后,应该采用majorityvote策略,选择当面训练集中实例数最大的类。
用字典的形式构造一棵决策树。
测试分类结果
ID3分类结果如下:
{‘house’: {‘yes’: ‘yes’, ‘no’: {‘work’: {‘yes’: ‘yes’, ‘no’: ‘no’}}}}
决策树的实现还是比较容易的,主要思路如下:
1. 先计算整体类别的熵
2. 计算每个特征将训练数据集分割成的每个子集的熵,并将这个熵乘以每个子集相对于这个训练集的频率,最后将这些乘积累加,就会得到一个个特征对应的信息增益。
3. 选择信息增益最大的作为最优特征分割训练数据集
4. 递归上述过程
5. 递归结束条件:训练集的所有实例属于同一类;或者所有特征已经使用完毕。
信息增益比的概念:对于特征A,信息增益和特征A的值得熵的比值。特征A的值的熵,就是特征A分割的每个子集对应于当前训练集生成的熵。
首先是文件开头加入如下两行,便于后面相应的调用
from math import log import operator
首先是实现熵的计算。
def calShannonEnt(dataSet): numEntries = len(dataSet) labelCounts = {} for featVect in dataSet: currentLabel = featVect[-1] if currentLabel not in labelCounts.keys(): labelCounts[currentLabel] = 0 labelCounts[currentLabel] += 1 shannonEnt = 0.0 for key in labelCounts: prob = labelCounts[key] / numEntries shannonEnt -= prob * log(prob, 2) return shannonEnt
分割训练数据集。这里需要注意append和extend的用法。
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
生成训练数据集。四个标签分别为:年龄,有无工作,有无自己的房子,信贷情况。
def createDataSet(): dataSet = [['youth', 'no', 'no', 'just so-so', 'no'], ['youth', 'no', 'no', 'good', 'no'], ['youth', 'yes', 'no', 'good', 'yes'], ['youth', 'yes', 'yes', 'just so-so', 'yes'], ['youth', 'no', 'no', 'just so-so', 'no'], ['midlife', 'no', 'no', 'just so-so', 'no'], ['midlife', 'no', 'no', 'good', 'no'], ['midlife', 'yes', 'yes', 'good', 'yes'], ['midlife', 'no', 'yes', 'great', 'yes'], ['midlife', 'no', 'yes', 'great', 'yes'], ['geriatric', 'no', 'yes', 'great', 'yes'], ['geriatric', 'no', 'yes', 'good', 'yes'], ['geriatric', 'yes', 'no', 'good', 'yes'], ['geriatric', 'yes', 'no', 'great', 'yes'], ['geriatric', 'no', 'no', 'just so-so', 'no']] labels = ['age', 'work', 'house', 'credit'] return dataSet, labels
上面一个按照ID3算法选择每次特征选择时信息增益最大的特征。如果使用C4.5算法应该选择下面一个函数,即对于信息增益比的选择。
def chooseBestFeatureToSplit(dataSet): numFeatures = len(dataSet[0]) - 1 baseEntropy = calShannonEnt(dataSet) bestInfoGain = 0.0 bestFeature = -1 for i in range(numFeatures): featList = [example[i] for example in dataSet] uniqueValue = set(featList) newEntropy = 0.0 for value in uniqueValue: subDataSet = splitDataSet(dataSet, i, value) prob = len(subDataSet) / len(dataSet) newEntropy += prob * calShannonEnt(subDataSet) infoGain = baseEntropy - newEntropy if infoGain > bestInfoGain: bestInfoGain = infoGain bestFeature = i return bestFeature
def chooseBestFeatureToSplit(dataSet): numFeatures = len(dataSet[0]) - 1 baseEntropy = calShannonEnt(dataSet) bestInfoGainRatio = 0.0 bestFeature = -1 for i in range(numFeatures): featList = [example[i] for example in dataSet] uniqueValue = set(featList) newEntropy = 0.0 choosedFeatEnt = 0.0 for value in uniqueValue: subDataSet = splitDataSet(dataSet, i, value) prob = len(subDataSet) / len(dataSet) newEntropy += prob * calShannonEnt(subDataSet) choosedFeatEnt -= prob * log(prob, 2) infoGain = baseEntropy - newEntropy infoGainRatio = infoGain / choosedFeatEnt if infoGainRatio > bestInfoGainRatio: bestInfoGainRatio = infoGainRatio bestFeature = i return bestFeature
当出现特征A已经被全部遍历完毕后,应该采用majorityvote策略,选择当面训练集中实例数最大的类。
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]
用字典的形式构造一棵决策树。
def createTree(dataSet, labels): classList = [example[-1] for example in dataSet] # 训练集所有实例属于同一类 if classList.count(classList[0]) == len(classList): return classList[0] # 训练集的所有特征使用完毕,当前无特征可用 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
测试分类结果
myDat, labels = createDataSet() myTree = createTree(myDat, labels) print(myTree)
ID3分类结果如下:
{‘house’: {‘yes’: ‘yes’, ‘no’: {‘work’: {‘yes’: ‘yes’, ‘no’: ‘no’}}}}
相关文章推荐
- python 爬虫学习之路
- 67. Add Binary [easy] (Python)
- 【contains-duplicate】leetCode python实现
- Python安装新的package
- Python学习笔记(While循环)
- 14. Longest Common Prefix [easy] (Python)
- threading in Python - 简单小例子
- 【leetCode】 Balanced Binary Tree python版实现
- python3 标准库 urllib.request
- 关于Python中函数默认参数的研究
- python笔记一_简单的基础
- python之流程控制语句
- 203. Remove Linked List Elements [easy] (Python)
- Python Collections Counter
- python 跨语言数据交互、json、pickle(序列化)、urllib、requests(爬虫模块)、XML。
- Python中找list中最大n个数的包heapq.nlargest
- 257. Binary Tree Paths [easy] (Python)
- 双色球 python
- 搞不懂 numpy.sum 请过来
- 记录