Weka开发-- NBTree源码介绍

 

    我不多的读者之一发E-mail给我，说他没有看出NBTree和J48的区别是什么，当时我也没什么空，所以拖到今天才草草看了看。大概讲一下。

 

 

      下面是J48中的buildClassifier代码：

public void buildClassifier(Instances instances) throws Exception {

 

    ModelSelection modSelection;

 

    if (m_binarySplits)

        modSelection = new BinC45ModelSelection(m_minNumObj, instances);

    else

       modSelection = new C45ModelSelection(m_minNumObj, instances);

    if (!m_reducedErrorPruning)

       m_root = new C45PruneableClassifierTree(modSelection,

!m_unpruned,m_CF, m_subtreeRaising, !m_noCleanup);

    else

       m_root = new PruneableClassifierTree(modSelection,

!m_unpruned,m_numFolds, !m_noCleanup, m_Seed);

       m_root.buildClassifier(instances);

}

    下面是NBTree中的buildClassifier代码：

public void buildClassifier(Instances instances) throws Exception {

   

    NBTreeModelSelection modSelection =

        new NBTreeModelSelection(m_minNumObj, instances);

 

    m_root = new NBTreeClassifierTree(modSelection);

    m_root.buildClassifier(instances);

}

这里有一个比较特殊的ModelSelection类，这个类以前没提过，它是决定树的模型类，比如上面J48代码中的BinC45ModelSelection表示对于连续属性，分裂时它只分出两个子结点。多扯两句，其实BinC45ModelSelection和C45ModelSelection类，包括以后要讲的NBTreeModelSelection内容都差不多，***ModelSelection类中的selectModel函数返回一个ClassifierSplitModel对象，ClassifierSplitModel故名思意是如何分裂的一个模型。

从上面讲的我们已经可以看出J48与NBTree在代码中选择了不同的构造树的模型，当然它们是不同的（当然这更是一句废话），另一点值得说的是在J48里m_minNumObj默认值是2，而在NBTree中m_minNumObj的默认值是30。

考虑到NBTree也不是什么经典算法，有人可能不知道是怎么回事，大概讲一下：与决策树的构造方法相似（认为相同也可以）先构造出一个决策树，再在每一个叶子结点构造一个贝叶斯分类器（这也就是为什么默认m_minNumObj是30原因）。具体的内容见论文：Scaling Up the Accuracy of Naive-Bayes Classifiers: A Decision-Tree Hybrid。

我们先看一下NBTreeModelSelection类，找到selectModel函数，刚才说这个函数与别的***MocelSelection差不多，我也是有根据，可以看到NBTreeModelSelection中的两个警告，这两个变量在NBTreeModelSelection中是没用的，明显是拷贝的。请注意下面三个变量：

NBTreeSplit[] currentModel;

    NBTreeSplit bestModel = null;

NBTreeNoSplit noSplitModel = null;

    NBTreeSplit和NBTreeNoSplit都继承自ClassifierSplitModel，selectModel函数中注释也不少，我也不解释代码了，大概就是：比如在样本都属于一个样本这种情况就不分裂了，那么就返回noSplitModel对象，否则，针对第j个属性，调currentModel[i].buildClassifier函数，最后根据getErrors来决定哪一个属性是最好的分裂属性。

    到现在为止，列出来的代码的确与J48差不多，它们的主要区别是在NBTreeNoSplit类中。下面先列出J48中所用的NoSplit类中的buildClassifer函数：

public final void buildClassifier(Instances instances)

throws Exception {

    m_distribution = new Distribution(instances);

    m_numSubsets = 1;

}

    再列出NBTreeNoSplit类中的buildClassifer函数：

public final void buildClassifier(Instances instances) throws Exception {

    m_nb = new NaiveBayesUpdateable();

    m_disc = new Discretize();

    m_disc.setInputFormat(instances);

    Instances temp = Filter.useFilter(instances, m_disc);

    m_nb.buildClassifier(temp);

    if (temp.numInstances() >= 5) {

       m_errors = crossValidate(m_nb, temp, new Random(1));

    }

    m_numSubsets = 1;

}

区别还是挺明显的，除了m_numSubset=1这个标志是叶子结点的语句。在NBTreeNoSplit类的buildClassifier中，在叶子结点构造一个m_nb Naive Bayes分类器，不过又说回来，讲了半天，也就是这一点点区别产生了NBTree这个新的分类器。

m_root是一个NBTreeClassifierTree对象，我们再看一下NBTreeClassifierTree对象，我们直接看 buildClassifier函数：

public void buildClassifier(Instances data) throws Exception {

    super.buildClassifier(data);

   cleanup(new Instances(data, 0));

   assignIDs(-1);

}

    可以看到它直接调用的父类的buildClssifier，而它的父类就是ClassifierTree，在J48中同样使用的是ClssifierTree类。

    对于分类一个样本，在NBTree的classifyInstance函数中，返回：

    return m_root.classifyInstance(instance);

    刚才说对m_root是一个NBTreeClassifierTree对象，但NBTreeClassifier没有实现classifyInstance函数，那么m_root调用的classifyInstance实际上是ClassifierTree类的函数。在其classifyInstance中：

for (j = 0; j < instance.numClasses(); j++) {

    currentProb = getProbs(j, instance, 1);

    if (Utils.gr(currentProb, maxProb)) {

       maxIndex = j;

       maxProb = currentProb;

    }

}

这一段代码没什么意思，样本属于哪个类别概率最高，那么它就被分类为该类别。这里面的getProbs函数中才是我们关心的：

private double getProbs(int classIndex, Instance instance, double weight)

throws Exception {

 

    double prob = 0;

 

    if (m_isLeaf) {

       return weight * localModel().classProb(classIndex, instance, -1);

    } else {

       int treeIndex = localModel().whichSubset(instance);

       if (treeIndex == -1) {

           double[] weights = localModel().weights(instance);

           for (int i = 0; i < m_sons.length; i++) {

              if (!son(i).m_isEmpty) {

              prob += son(i).getProbs(classIndex, instance,

weights[i] * weight);

              }

           }

           return prob;

       } else {

           if (son(treeIndex).m_isEmpty) {

return weight * localModel().classProb(classIndex,

instance, treeIndex);

           } else {

              return son(treeIndex).getProbs(classIndex,

instance, weight);

           }

       }

    }

}

    如果不是叶子结点：先得到这个样本属于应该是哪个子结点的，如果treeIndex=-1表示这个属属性值是缺失的，计算它的方法就是用对每个子结点分开算，再加起来。如果不是缺失的，如果子结点是空的，与是子结点的计算方法相同，否则，递归。

    如果是叶子结点：localModel返回的是ClassifierSplitModel对象，该对象调用classProb函数，我们看一下NBTreeNoSplit函数的classProb函数：

public double classProb(int classIndex, Instance instance, int theSubset)

throws Exception {

m_disc.input(instance);

    Instance temp = m_disc.output();

    return m_nb.distributionForInstance(temp)[classIndex];

}