决策树原理-python实现

《机器学习实战》 CH3
决策树基本原理与实现。

决策树基本原理可以概括为：通过计算信息增益划分属性集，选择增益最大的属性作为决策树当前节点，依次往下，构建整个决策树。为了计算熵，需要先计算每个属性的信息增益值，通过下面公式计算：

创建数据集：

def createDataSet():    dataSet = [ [1, 1, 'yes'],            [1, 1, 'yes'],            [1, 0, 'no'],            [0, 1, 'no'],            [0, 1, 'no']]    labels = ['no surfacing','flippers']    return dataSet, labels

计算熵代码片：

def calcShannonEnt(dataSet):    numEntries = len(dataSet) #计算数据集中实例总数    print 'total numEntries = %d' % numEntries    labelCounts = {}    #创建数据字典,计算每个label出现的次数    for featVec in dataSet: #the the number of unique elements and their occurance        currentLabel = featVec[-1] # -1表示获取最后一个元素，即label        if currentLabel not in labelCounts.keys():             labelCounts[currentLabel] = 0        labelCounts[currentLabel] += 1    for key in labelCounts.keys():#打印字典        print key,':',labelCounts[key]    shannonEnt = 0.0    for key in labelCounts:        prob = float(labelCounts[key])/numEntries        shannonEnt -= prob * log(prob,2) #log base 2    print 'shannonEnt = ',shannonEnt    return shannonEnt

labelCounts 是存储所有label个数的字典，key为label，key_value为label个数。for循环计算label个数，并打印出字典值。函数返回熵值。

myDat, labels = createDataSet()
shannonEnt = calcShannonEnt(myDat)
计算结果为：
numEntries = 5
yes : 2
no : 3
shannonEnt = 0.970950594455
熵值越高，数据集越混乱(label越多，越混乱)。试着改变label值可以观察熵值的变化。
myDat[0][-1] = ‘maybe’
shannonEnt = calcShannonEnt(myDat)
输出结果：
numEntries = 5
maybe : 1
yes : 1
no : 3
shannonEnt = 1.37095059445
得到熵值后即可计算各属性信息增益值，选取最大信息增益值作为当前分类节点，知道分类结束。

splitDataSet函数参数为：dataSet为输入数据集，包含你label值；axis为每行的第axis元素，对应属性特征；value为对应元素的值，即特征的值。
函数功能：找出所有行中第axis个元素值为value的行，去掉该元素，返回对应行矩阵。
当需要按照某个特征值划分数据时,需要将所有符合要求的元素抽取出来，便于计算信息增益。

def splitDataSet(dataSet, axis, value):    retDataSet = []    for featVec in dataSet: #dataset中各元素是列表,遍历每个列表        if featVec[axis] == value: #找出第axis元素为value的行            reducedFeatVec = featVec[:axis]   #抽取符合特征的数据            reducedFeatVec.extend(featVec[axis+1:]) #把抽取出该特征以后的所有特征组成一个列表            retDataSet.append(reducedFeatVec)   #创建抽取该特征以后的dataset    print 'retDataSet = ',retDataSet    return retDataSet

例如：
splitDataSet(myDat,0,1)
执行结果：
dataSet = [[1, 1, ‘yes’], [1, 1, ‘yes’], [1, 0, ‘no’], [0, 1, ‘no’], [0, 1, ‘no’]]
retDataSet = [[1, ‘yes’], [1, ‘yes’], [0, ‘no’]]
splitDataSet(myDat,1,1)
执行结果：
dataSet = [[1, 1, ‘yes’], [1, 1, ‘yes’], [1, 0, ‘no’], [0, 1, ‘no’], [0, 1, ‘no’]]
retDataSet = [[1, ‘yes’], [1, ‘yes’], [0, ‘no’], [0, ‘no’]]

为了便于查看计算过程，我重新生成了一个dataset用于计算信息增益，如下：

def createDataSet_me():    dataSet = [     ['sunny',   'busy',     'male',     'no'],            ['rainy',   'not busy', 'female',   'no'],            ['cloudy',  'relax',    'male',     'maybe'],            ['sunny',   'relax',    'male',     'yes'],            ['cloudy',  'not busy', 'male',     'maybe'],            ['sunny',   'not busy', 'female',   'yes']]    return dataSet

基本含义是根据天气、是否忙碌以及性别，判断是否出门旅行。计算信息增益代码如下

def chooseBestFeatureToSplit(dataSet):    numFeatures = len(dataSet[0]) - 1       #获取属性个数,最后一列为label    print 'numFeatures = ',numFeatures    baseEntropy = calcShannonEnt(dataSet)   #计算数据集中的原始香农熵    print 'the baseEntropy is :',baseEntropy    bestInfoGain = 0.0    bestFeature = 0 #-1    #迭代所有属性    for i in range(numFeatures):        #featList,获取某一列属性        print 'in feature %d' % i        featList = [example[i] for example in dataSet] #遍历所有属性        print 'in feature %d,value List : ' % i,featList        #获取属性的值        #集合元素中各个值互不相同,从列表中创建集合是得到唯一元素值最快的方法        uniqueVals = set(featList) #python的set是一个无序不重复元素集        print 'uniqueVals:',uniqueVals        newEntropy = 0.0        #计算每一个属性值的熵,并求和        for value in uniqueVals:             subDataSet = splitDataSet(dataSet, i, value)            prob = len(subDataSet)/float(len(dataSet))            newEntropy += prob * calcShannonEnt(subDataSet)        print '\tnewEntropy of feature %d is : ' % i,newEntropy        infoGain = baseEntropy - newEntropy     #calculate the info gain; ie reduction in entropy        print '\tinfoGain : ',infoGain        if (infoGain > bestInfoGain):       #compare this to the best gain so far            bestInfoGain = infoGain         #if better than current best, set to best            bestFeature = i                 #特征i    print 'bestFeature:',bestFeature    return bestFeature  

先获取属性个数，dataset最后一列为label，所以需要-1。
for循环嵌套即用来计算信息增益。
外层for循环用于遍历所有特征。featList = [example[i] for example in dataSet] 语句用于查找该属性下所有属性值，并使用set函数对属性值列表进行唯一化，防止重复计算。
内侧for循环用于遍历当前属性下所有属性值。计算每一个属性值对应的熵值并求和。结果与原始熵值的差即为信息增益。
信息增益越大，说明该特征越利于分类，即当前分类节点应该选择该属性。
函数返回用来分类的属性标号。
简单实验：
DataSet_me = createDataSet_me();
bestFeature = chooseBestFeatureToSplit(DataSet_me)
输出：
in feature 0
in feature 0,value List : [‘sunny’, ‘rainy’, ‘cloudy’, ‘sunny’, ‘cloudy’, ‘sunny’]
uniqueVals: set([‘rainy’, ‘sunny’, ‘cloudy’])
newEntropy of feature 0 is : 0.459147917027
infoGain : 1.12581458369
in feature 1
in feature 1,value List : [‘busy’, ‘not busy’, ‘relax’, ‘relax’, ‘not busy’, ‘not busy’]
uniqueVals: set([‘not busy’, ‘busy’, ‘relax’])
newEntropy of feature 1 is : 1.12581458369
infoGain : 0.459147917027
in feature 2
in feature 2,value List : [‘male’, ‘female’, ‘male’, ‘male’, ‘male’, ‘female’]
uniqueVals: set([‘male’, ‘female’])
newEntropy of feature 2 is : 1.33333333333
infoGain : 0.251629167388
bestFeature: 0
可得属性0的信息增益最大，用属性0来分类最好。

知道如何得到最佳的属性划分节点，即可递归调用该函数，创建决策树。结束递归的条件是：1）遍历完所有要划分的属性；2）分支下所有实例都具有相同label。
函数majorityCnt用于：如果数据集已经处理了所有属性，但是label并不唯一，这是使用多数表决，决定label。
比如上述dataset中多了以下几个元素
[‘sunny’, ‘busy’, ‘male’, ‘no’]
[‘sunny’, ‘busy’, ‘male’, ‘no’]
[‘sunny’, ‘busy’, ‘male’, ‘no’]
[‘sunny’, ‘busy’, ‘male’, ‘yes’]
这是就需要多数表决来决定label号。
输入参数classList即为dataset的所有label号。sorted即对字典按降序排列，返回label次数最多的label。

def majorityCnt(classList):    classCount={} #创建字典,返回出现频率最高label    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]

为了便于测试，重新创建数据集，如下：

def createDataSet2():    dataSet = [     ['sunny',   'busy',     'male',     'no'],            ['sunny',   'busy',     'male',     'no'],            ['sunny',   'busy',     'female',   'yes'],            ['rainy',   'not busy', 'female',   'no'],            ['cloudy',  'relax',    'male',     'maybe'],            ['sunny',   'relax',    'male',     'yes'],            ['cloudy',  'not busy', 'male',     'maybe'],            ['sunny',   'not busy', 'female',   'yes']]    features =  ['weather', 'busy or not', 'gender']    return dataSet, features

feature为对应属性名。
下面构造决策树代码，输入dataset和label：

def createTree(dataSet,labels):    classList = [example[-1] for example in dataSet]    print 'classList:',classList  #获取所有label列表    #停止迭代1:classList中所有label相同，直接返回该label    if classList.count(classList[0]) == len(classList):         return classList[0]    #停止迭代2:用完了所有特征仍然不能将数据集划分成仅包含唯一类别的分组    if len(dataSet[0]) == 1:         return majorityCnt(classList)    bestFeat = chooseBestFeatureToSplit(dataSet)    bestFeatLabel = labels[bestFeat]    #print 'bestFeat:',bestFeat    #print 'bestFeatLabel:',bestFeatLabel    myTree = {bestFeatLabel:{}}    del(labels[bestFeat])    featValues = [example[bestFeat] for example in dataSet]    uniqueVals = set(featValues)    for value in uniqueVals:        subLabels = labels[:]       #copy all of labels, so trees don't mess up existing labels        myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value),subLabels)    print 'myTree = ',myTree    return myTree

输出结果为：
myTree = {‘weather’: {‘rainy’: ‘no’, ‘sunny’: {‘busy or not’: {‘not busy’: ‘yes’, ‘busy’: {‘gender’: {‘male’: ‘no’, ‘female’: ‘yes’}}, ‘relax’: ‘yes’}}, ‘cloudy’: ‘maybe’}}

下面classify用于对给定测试向量进行分类：

def classify(inputTree,featLabels,testVec):    print 'featLabels: ',featLabels    print 'testVec: ',testVec    firstStr = inputTree.keys()[0] #获取第一个属性    print 'firstStr:',firstStr    secondDict = inputTree[firstStr]    print 'secondDict: ',secondDict    #找到属性在待测试向量中的ID    featIndex = featLabels.index(firstStr)    key = testVec[featIndex]    valueOfFeat = secondDict[key]    if isinstance(valueOfFeat, dict): #        classLabel = classify(valueOfFeat, featLabels, testVec)    else: classLabel = valueOfFeat    print 'classLabel:',classLabel    return classLabel

也是递归调用classify函数，依次对输入的属性值通过决策树进行判定，得到最终的label。
例如

feature_label = ['weather','gender','busy or not']test_vector = ['rainy','female','busy']classify(MyTree,feature_label,test_vector)

输出结果：
featLabels: [‘weather’, ‘gender’, ‘busy or not’]
testVec: [‘rainy’, ‘female’, ‘busy’]
firstStr: weather
secondDict: {‘rainy’: ‘no’, ‘sunny’: {‘busy or not’: {‘not busy’: ‘yes’, ‘busy’: {‘gender’: {‘male’: ‘no’, ‘female’: ‘yes’}}, ‘relax’: ‘yes’}}, ‘cloudy’: ‘maybe’}
classLabel: no