机器学习实战——决策树：树的构建及分类

书籍：《机器学习实战》中文版
IDE：PyCharm Edu 4.02

环境：Adaconda3  python3.6

主要内容：使用ID3算法构建

1、信息熵的计算+数据集的划分=根据信息增益选择最佳的数据集划分方式

2、创建树、投票法

3、将决策树用于分类 树的保存与提取

第一部分代码：

from math import logimport operator# 创建简单的鱼数据集def createDataSet():    dataSet = [[1, 1, 'yes'],               [1, 1, 'yes'],               [1, 0, 'no'],               [0, 1, 'no'],               [0, 1, 'no']]    labels = ['no surfacing','flippers']    return dataSet, labelsdata,labels=createDataSet()#计算给定数据集的信息熵def calcShannonEnt(dataSet):    num = len(dataSet)    # 为所有可能分类创建字典并统计每个类别的样本数目    labelCounts = {}    for featVec in dataSet:        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]/num)        shannonEnt = -prob*log(prob,2)    return shannonEnt#按照给定特征划分数据集def splitDataSet(dataSet,axis,value):    retDataSet = []         #避免对原数据集的影响    for featVec in dataSet:        if featVec[axis]==value:            reducedFeatVec = featVec[:axis]            reducedFeatVec.extend(featVec[axis+1:])            retDataSet.append(reducedFeatVec)    return retDataSet# 选择最好的数据集划分方式 ID3算法def chooseBestFeatureToSplit(dataSet):    numFeatures = len(dataSet[0])-1    baseEntropy = calcShannonEnt(dataSet)    bestInfoGain = 0.0    bestFeature = -1    for i in range(numFeatures):        featList = [example[i] for example in dataSet]  #得到第i个特征的所有值        uniqueVals = set(featList)    #使用集合得到第i个特征的值的种类        newEntropy = 0.0        # 计算第i个特征的信息增益        for value in uniqueVals:            subDataSet = splitDataSet(dataSet,i,value)            prob = len(subDataSet)/float(len(dataSet))            newEntropy += prob*calcShannonEnt(subDataSet)        infoGain = baseEntropy-newEntropy        #比较第i个特征的信息增益和最佳增益        if (infoGain>bestInfoGain):            bestInfoGain = infoGain            bestFeature = i    return bestFeature    #返回最佳特征所在的列数#print(chooseBestFeatureToSplit(data))

第二部分主要代码：

#针对叶子节点存在多类的情况，投票决定最终分类def majorityCnt(classList):    classCount = {}    for vote in classList:        if vote not in classCount.keys():            classCount[vote] = 0        classCount[vote] += 1        sortedClassCount = sorted(classCount.iterms(),key=operator.itemgetter(1),reverse=True)    return sortedClassCount[0][0]# 创建树def createTree(dataSet,labels):    classList = [example[-1] for example in dataSet]    if classList.count(classList[0]) == len(classList):        return classList[0]    if len(dataSet[0]) == 1:        return majorityCnt(classList)    bestFeat = chooseBestFeatureToSplit(dataSet)    bestFeatLabel = labels[bestFeat]    #labels是属性标签不是分类标签    myTree = {bestFeatLabel:{}}    #del(labels[bestFeat])   #导致原始标签列表改变    labels_2 = labels[:]    #制作一个副本    del(labels_2[bestFeat])    featValues = [example[bestFeat] for example in dataSet]    uniqueValues = set(featValues)    for value in uniqueValues:        sublabels = labels_2[:]        myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet,bestFeat,value),sublabels)    return myTreemytree = createTree(data,labels)print(mytree)

第三部分：

#将决策树用于分类# {'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}}def classify(inputTree,featLabels,testVec):    firstStr = list(inputTree.keys())[0]    secondDict = inputTree[firstStr]    featIndex = featLabels.index(firstStr)    key = testVec[featIndex]    valueOfFeat = secondDict[key]    if isinstance(valueOfFeat,dict):        classLabel = classify(valueOfFeat,featLabels,testVec)    else: classLabel = valueOfFeat    return classLabelprint(classify(mytree,labels,[1,1]))# 使用pickle模块存储决策树def storeTree(inputTree,filename):    import pickle    fw = open(filename,'w')    pickle.dump(inputTree,fw)    fw.close()# 使用pickle模块提取保存的树def grabTree(filename):    import pickle    fr = open(filename)    return pickle.load(fr)

注：将以上三部分代码合起来就是一个完整的决策树的构建、保存、分类应用的代码示例！

注释：

1、香农熵 信息增益的计算公式：http://blog.sina.com.cn/s/blog_5fc375650100jgxg.html

2、划定数据集：当axis=0时，

reducedFeatVec = featVec[:axis]   结果为[]

3、技巧：列表生成式的使用

4、投票法：创建一个字典进行记录 sorted的使用

5、树构建：递归终止条件

（1）每个分支下的所有示例为同一类；

（2）或者 程序遍历玩所有划分数据集的属性。

6、del函数导致原列表改变，因此创建一个副本。这是与原文程序不同处之一。

7、运行中的问题

（1）
firstStr = inputTree.keys()[0]
TypeError: 'dict_keys' object does not support indexing
在python2.x中，dict.keys()返回一个列表，在python3.x中，dict.keys()返回一个dict_keys对象，比起列表，这个对象的行为更像是set，所以不支持索引的。
解决方案：list(dict.keys())[index]

（2）

python IndentationError: unindent does not match any outer indentation level
解决方法：代码块未对齐。