机器学习实战--chapter3 决策树
2017-03-22 00:56
323 查看
1 大话决策树
决策树就是一颗树,每个父节点就是基于特征的一种表示,子节点就是对数据集的再次细分,通过层层细分,得到数据集中每个样本的类别。主要涉及到每层树根的特征的选取策略与递归结束时的处理。当然这里防止层数太多,可以人为限制层数。2 决策树的一般流程
收集数据准备数据:标称型数据。
分析数据:
训练算法:构造树的数据结构。
测试算法
应用
注:标称型数据:取值有限,适合分类;数值型数据:无限,适合回归。
3 信息熵
百度百科博客1
博客2
3.1 不确定性
概率表示某事件发生的可能性,概率越大,也就说明不确定性越小;反之,概率越小,不确定性越大。所以,不确定性可以通过概率来衡量。怎么理解呢?比如综合天气的一些数据,天气预报得出明天90%下雨,那么明天基本会下雨,这事也就基本确定了,从而不确定性就非常小。不确定性函数
l(xi)=−log2p(xI)
3.2 信息熵
熵形容系统的混乱程度,定义为信息的期望值,信息就是上面描述的不确定性。H=−∑i=1np(xi)log2p(x2)
3.2 信息增益
信息增益就是系统原先的熵减去某事件发生后剩余的熵,就是该事件发生后,系统不确定性降低了多少,降低越大,说明不确定消除越多,获得的信息量越大。4 决策树算法
4.1 递归构建
结束条件:1. 所有特征已经过滤完,此时如果剩余样本还是类别不清楚,则选择其中的众数作为该子集的类别;
2. 剩余样本已经属于某一类,即已确定。
4.2 每个树的树根的选取
采用第三节的方法,每选的一个特征,使得系统的信息增益最大化。5 代码
5.1 计算熵
#创建数据集,列表的形式,yes, no是tag. def createDataSet(): dataSet = [[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']] labels = ['no surfacing','flippers'] #起显示作用,对算法没作用 #change to discrete values return dataSet, labels def calcShannonEnt(dataSet): #计算数据集的信息熵 numEntries = len(dataSet) #样本个数 labelCounts = {} for featVec in dataSet: #每个类别计数 currentLabel = featVec[-1] if currentLabel not in labelCounts.keys(): labelCounts[currentLabel] = 0 labelCounts[currentLabel] += 1 shannonEnt = 0.0 for key in labelCounts: prob = float(labelCounts[key])/numEntries #比如类别一占样本数量的比例,作为类别一的概率 shannonEnt -= prob * log(prob,2) #根据熵公式计算,对信息的加权平均,即信息的均值。 return shannonEnt
5.2 选择特征
#根据特征筛选数据集,作为一个分支 def splitDataSet(dataSet, axis, value): retDataSet = [] for featVec in dataSet: if featVec[axis] == value: reducedFeatVec = featVec[:axis] #slice操作,提取特征axis==value的样本,同时删去该特征,举例样本exp1 = [1, 2, 'yes'], 则exp1[0]特征为1的,组装一个新的列表,即[2, 'yes'] reducedFeatVec.extend(featVec[axis+1:]) retDataSet.append(reducedFeatVec) return retDataSet #特征选取的依据,信息增益最大 def chooseBestFeatureToSplit(dataSet): #选择某个特征使得的信息增益最大 numFeatures = len(dataSet[0]) - 1 #取得特征数,数据集最后一列是tag. baseEntropy = calcShannonEnt(dataSet) #原始熵 bestInfoGain = 0.0; bestFeature = -1 for i in range(numFeatures): #遍历特征 featList = [example[i] for example in dataSet]#提取该特征所有值 uniqueVals = set(featList) #去除重复 newEntropy = 0.0 for value in uniqueVals: subDataSet = splitDataSet(dataSet, i, value) #按该值得到新的数据集 prob = len(subDataSet)/float(len(dataSet)) #该数据集占总数据集比例,即概率 newEntropy += prob * calcShannonEnt(subDataSet) #现有熵 infoGain = baseEntropy - newEntropy #信息增益,即熵的消除多少 if (infoGain > bestInfoGain): bestInfoGain = infoGain #选最大信息增益 bestFeature = i return bestFeature #returns an integer
5.3 递归构建树
结束条件:1. 所有特征已经过滤完,此时如果剩余样本还是类别不清楚,则选择其中的众数作为该子集的类别;
2. 剩余样本已经属于某一类,即已确定。
def majorityCnt(classList): #条件一,返回剩余数据集众数的tag. 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] def createTree(dataSet,labels): classList = [example[-1] for example in dataSet] #数据集tag列表 if classList.count(classList[0]) == len(classList): return classList[0] #满足条件二 if len(dataSet[0]) == 1: #满足条件一,特征用完啦 return majorityCnt(classList) bestFeat = chooseBestFeatureToSplit(dataSet) #最大信息增益的那个特征索引 bestFeatLabel = labels[bestFeat] myTree = {bestFeatLabel:{}} del(labels[bestFeat]) #特征用过就删除 featValues = [example[bestFeat] for example in dataSet] uniqueVals = set(featValues) for value in uniqueVals: subLabels = labels[:] #列表深度拷贝,不是对原先的引用 myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value),subLabels) return myTree
相关文章推荐
- 机器学习实战笔记3(决策树与随机森林)
- 机器学习实战---决策树
- 机器学习实战学习_____(2)决策树
- 机器学习实战—决策树(python3+spyder)
- 机器学习实战- 第三章 决策树-学习笔记
- 机器学习实战--决策树
- 机器学习实战笔记--决策树
- 机器学习实战_03-决策树
- 机器学习实战学习笔记(二):决策树
- 机器学习实战python版第三章决策树代码理解
- 机器学习实战:决策树
- 机器学习实战第3章-决策树(decision tree)
- 机器学习实战 - 决策树
- 机器学习实战——第三章:决策树ID3/C4.5
- 机器学习实战---决策树
- 机器学习实战-决策树
- 机器学习实战之决策树(一)
- 机器学习实战-第三章(决策树)
- 机器学习实战-决策树ID3-python代码
- 机器学习实战 决策树 python3实现 R语言实现(1)