决策树
来源:互联网 发布:淘宝网网页版登录入口 编辑:程序博客网 时间:2024/05/29 03:14
决策树算法
决策树简介
决策树 流程图正方形代表判断模块,椭圆形代表终止模块,从判断模块引出的左右箭头称作分支,它可以到达另一个判断模块活着终止模块。
决策树 [优点]:计算复杂度不高,输出结果易于理解,对于中间值的缺失不敏感,可以处理不相关特征数据。
决策树[缺点]:可能会产生过度匹配的问题。
决策树[适用数据类型]:数值型和标称型。
- 决策树算法
- 决策树简介
- 决策树的一般流程
- 信息增益
- python决策树
- 计算给定数据集的信息熵
- 划分数据集
- 选择最好的数据划分方式
- 结果输出
- 结果分析
- 递归构建决策树
- 构建递归决策树
- 结果输出
- 结果分析
- 构建递归决策树
- 测试算法使用决策树执行分类
- 使用决策树的分类函数
- 结果输出
- 存储决策树
- 使用决策树的分类函数
- 决策树算法小结
决策树的一般流程
(1)收集数据:可以使用任何方法。(2)准备数据:树构造算法只适用于标称型数据,因此数值型数据必须离散化。(3)分析数据:可以使用任何方法,构造树完成之后,我们需要检验图形是否符合预期。(4)训练算法:构造树的数据结构。(5)测试算法:使用经验树计算错误率。(6)使用算法:使用于任何监督学习算法。
信息增益
划分数据集的最大原则:将无序的数据集变的有序。
判断数据集的有序程度:信息增益(熵),计算每个特征值划分数据集后获得的信息增益,获得信息增益最高的特征就是最好的选择。
信息增益[公式]:
H=−∑i=1np(xi)log2p(xi)
其中n是分类的数目。
python决策树
计算给定数据集的信息熵
from math import logdef calcShannonEnt(dataSet): numEntries = len(dataSet) 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]) / numEntries shannonEnt -= prob * log(prob,2) return shannonEntdef createDataSet(): dataSet = [[1,1,'yes'], [1,1,'yes'], [1,0,'no'], [0,1,'no'], [0,1,'no'],] labels = ['no surfacing','flippers'] return dataSet,labelsmyDat,labels = createDataSet()print(myDat)print(labels)shannonEnt = calcShannonEnt(myDat)print(shannonEnt)
划分数据集
import dtreedef 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 retDataSetmyData,labels = dtree.createDataSet()print(myData)retDataSet = splitDataset(myData,0,1)print(retDataSet)retDataSet = splitDataset(myData,0,0)print(retDataSet)
选择最好的数据划分方式
def chooseBestFeatureToSplit(dataSet): numFeatures = len(dataSet[0]) - 1 baseEntropy = dtree.calcShannonEnt(dataSet) bestInfoGain = 0.0 bestFeature = -1 for i in range(numFeatures): featList = [example[i] for example in dataSet] uniqueVals = set(featList) newEntropy = 0.0 for value in uniqueVals: subDataSet = splitDataset(dataSet,i,value) prob = len(subDataSet)/float(len(dataSet)) newEntropy += prob * dtree.calcShannonEnt(subDataSet) infoGain = baseEntropy - newEntropy if(infoGain > bestInfoGain): bestInfoGain = infoGain bestFeature = i return bestFeaturemyData,labels = dtree.createDataSet()print('myData:',myData)bestFeature = chooseBestFeatureToSplit(myData)print('bestFeature:',bestFeature)
结果输出
('myData:', [[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']])('bestFeature:', 0)
结果分析
运行结果表明第0个特征是最好用于划分数据集的特征,即数据集的的第一个参数,比如在该数据集中以第一个参数特征划分数据时,第一个分组中有3个,其中有一个被划分为no,第二个分组中全部属于no;当以第二个参数分组时,第一个分组中2个为yes,2个为no,第二个分类中只有一个no类。
递归构建决策树
工作原理:得到原始数据集,然后基于最好的属性值划分数据集,由于特征值可能多于2个,因此可能存在大于2个分支的数据集划分,在第一次划分后,数据将被传向树分支的下一个节点,在这个节点上我们可以再次划分数据。
递归条件:程序遍历完所有划分数据集的属性,或者没个分支下的所有实例都具有相同的分类。
构建递归决策树
import dtreeimport operatordef 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]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] 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 myTreemyData,labels = dtree.createDataSet()print('myData:',myData)myTree = createTree(myData,labels)print('myTree:',myTree)
结果输出
('myData:', [[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']])('myTree:', {'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}})
结果分析
myTree 包含了树结构信息的前套字典,第一个关键字no surfacing是第一个划分数据集的特征名称,值为另一个数据字典,第二个关键字是no surfacing特征划分的数据集,是no surfacing的字节点,如果值是类标签,那么该节点为叶子节点,如果值是另一个数据字典,那么该节点是个判断节点,如此递归。
测试算法:使用决策树执行分类
使用决策树的分类函数
import treeplotterimport dtreedef classify(inputTree,featLabels,testVec): firstStr = inputTree.keys()[0] secondDict = inputTree[firstStr] featIndex = featLabels.index(firstStr) for key in secondDict.keys(): if testVec[featIndex] == key: if type(secondDict[key]).__name__=='dict': classLabel = classify(secondDict[key],featLabels,testVec) else: classLabel = secondDict[key] return classLabelmyDat,labels = dtree.createDataSet()print(labels)myTree = myTree = treeplotter.retrieveTree(0)print(myTree)print('classify(myTree,labels,[1,0]):',classify(myTree,labels,[1,0]))print('classify(myTree,labels,[1,1]):',classify(myTree,labels,[1,1]))
结果输出
['no surfacing', 'flippers']{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}, 3: 'maybe'}}('classify(myTree,labels,[1,0]):', 'no')('classify(myTree,labels,[1,1]):', 'yes')
存储决策树
由于决策树的构造十分耗时,所以用创建好的决策树解决分类问题可以极大的提高效率。因此需要使用python模块pickle序列化对象,序列化对象可以在磁盘上保存对象,并在需要的地方读取出来,任何对象都可以执行序列化操作。
#使用pickle模块存储决策树import pickledef storeTree(inputTree,filename): fw = open(filename,'w') pickle.dump(inputTree,fw) fw.close()def grabTree(filename): fr = open(filename) return pickle.load(fr)
决策树算法小结
决策树分类器就像带有终止块的流程图,终止块表示分类结果。首先我们需要测量集合数据中的熵即不一致性,然后寻求最优方案划分数据集,直到数据集中的所有数据属于同一分类。决策树的构造算法有很多版本,本文中用到的是ID3 ,最流行的是C4.5和CART。
0 0
- 决策树
- 决策树
- 决策树
- 决策树
- 决策树
- 决策树
- 决策树
- 决策树
- 决策树
- 决策树
- 决策树
- 决策树
- 决策树
- 决策树
- 决策树
- 决策树
- 决策树
- 决策树
- Android Unit Test
- JVM垃圾回收描述
- .net Windows服务程序和安装程序制作
- 字符,字节和编码
- Android RecyclerView 使用完全解析 体验艺术般的控件
- 决策树
- 【实战】五个Docker监控工具的对比
- Gradle Plugin Samples 之 Gradle Build Variants(六)
- 不要自称为程序员
- bios大神
- .Net抓取网页数据
- Web Services 指南之:Web Services 的架构
- 测试系统io性能
- 从一个Activity中得到结果