直接给代码
1 # -*- coding: UTF-8 -*-
2 from math import log
3 import operator
4
5 """
6 函数说明:计算给定数据集的经验熵(香农熵)
7
8 Parameters:
9 dataSet - 数据集
10 Returns:
11 shannonEnt - 经验熵(香农熵)
12 Author:
13 Jack Cui
14 Blog:
15 http://blog.csdn.net/c406495762
16 Modify:
17 2017-07-24
18 """
19 def calcShannonEnt(dataSet):
20 numEntires = len(dataSet) #返回数据集的行数
21 labelCounts = {} #保存每个标签(Label)出现次数的字典
22 for featVec in dataSet: #对每组特征向量进行统计
23 currentLabel = featVec[-1] #提取标签(Label)信息
24 if currentLabel not in labelCounts.keys(): #如果标签(Label)没有放入统计次数的字典,添加进去
25 labelCounts[currentLabel] = 0
26 labelCounts[currentLabel] += 1 #Label计数
27 shannonEnt = 0.0 #经验熵(香农熵)
28 for key in labelCounts: #计算香农熵
29 prob = float(labelCounts[key]) / numEntires #选择该标签(Label)的概率
30 shannonEnt -= prob * log(prob, 2) #利用公式计算
31 return shannonEnt #返回经验熵(香农熵)
32
33 """
34 函数说明:创建测试数据集
35
36 Parameters:
37 无
38 Returns:
39 dataSet - 数据集
40 labels - 特征标签
41 Author:
42 Jack Cui
43 Blog:
44 http://blog.csdn.net/c406495762
45 Modify:
46 2017-07-20
47 """
48 def createDataSet():
49 dataSet = [[0, 0, 0, 0, ‘no‘], #数据集
50 [0, 0, 0, 1, ‘no‘],
51 [0, 1, 0, 1, ‘yes‘],
52 [0, 1, 1, 0, ‘yes‘],
53 [0, 0, 0, 0, ‘no‘],
54 [1, 0, 0, 0, ‘no‘],
55 [1, 0, 0, 1, ‘no‘],
56 [1, 1, 1, 1, ‘yes‘],
57 [1, 0, 1, 2, ‘yes‘],
58 [1, 0, 1, 2, ‘yes‘],
59 [2, 0, 1, 2, ‘yes‘],
60 [2, 0, 1, 1, ‘yes‘],
61 [2, 1, 0, 1, ‘yes‘],
62 [2, 1, 0, 2, ‘yes‘],
63 [2, 0, 0, 0, ‘no‘]]
64 labels = [‘年龄‘, ‘有工作‘, ‘有自己的房子‘, ‘信贷情况‘] #特征标签
65 return dataSet, labels #返回数据集和分类属性
66
67 """
68 函数说明:按照给定特征划分数据集
69
70 Parameters:
71 dataSet - 待划分的数据集
72 axis - 划分数据集的特征
73 value - 需要返回的特征的值
74 Returns:
75 无
76 Author:
77 Jack Cui
78 Blog:
79 http://blog.csdn.net/c406495762
80 Modify:
81 2017-07-24
82 """
83 def splitDataSet(dataSet, axis, value):
84 retDataSet = [] #创建返回的数据集列表
85 for featVec in dataSet: #遍历数据集
86 if featVec[axis] == value:
87 reducedFeatVec = featVec[:axis] #去掉axis特征
88 reducedFeatVec.extend(featVec[axis+1:]) #将符合条件的添加到返回的数据集
89 retDataSet.append(reducedFeatVec)
90 return retDataSet #返回划分后的数据集
91
92 """
93 函数说明:选择最优特征
94
95 Parameters:
96 dataSet - 数据集
97 Returns:
98 bestFeature - 信息增益最大的(最优)特征的索引值
99 Author:
100 Jack Cui
101 Blog:
102 http://blog.csdn.net/c406495762
103 Modify:
104 2017-07-20
105 """
106 def chooseBestFeatureToSplit(dataSet):
107 numFeatures = len(dataSet[0]) - 1 #特征数量
108 baseEntropy = calcShannonEnt(dataSet) #计算数据集的香农熵
109 bestInfoGain = 0.0 #信息增益
110 bestFeature = -1 #最优特征的索引值
111 for i in range(numFeatures): #遍历所有特征
112 #获取dataSet的第i个所有特征
113 featList = [example[i] for example in dataSet]
114 uniqueVals = set(featList) #创建set集合{},元素不可重复
115 newEntropy = 0.0 #经验条件熵
116 for value in uniqueVals: #计算信息增益
117 subDataSet = splitDataSet(dataSet, i, value) #subDataSet划分后的子集
118 prob = len(subDataSet) / float(len(dataSet)) #计算子集的概率
119 newEntropy += prob * calcShannonEnt(subDataSet) #根据公式计算经验条件熵
120 infoGain = baseEntropy - newEntropy #信息增益
121 # print("第%d个特征的增益为%.3f" % (i, infoGain)) #打印每个特征的信息增益
122 if (infoGain > bestInfoGain): #计算信息增益
123 bestInfoGain = infoGain #更新信息增益，找到最大的信息增益
124 bestFeature = i #记录信息增益最大的特征的索引值
125 return bestFeature #返回信息增益最大的特征的索引值
126
127
128 """
129 函数说明:统计classList中出现此处最多的元素(类标签)
130
131 Parameters:
132 classList - 类标签列表
133 Returns:
134 sortedClassCount[0][0] - 出现此处最多的元素(类标签)
135 Author:
136 Jack Cui
137 Blog:
138 http://blog.csdn.net/c406495762
139 Modify:
140 2017-07-24
141 """
142 def majorityCnt(classList):
143 classCount = {}
144 for vote in classList: #统计classList中每个元素出现的次数
145 if vote not in classCount.keys():classCount[vote] = 0
146 classCount[vote] += 1
147 sortedClassCount = sorted(classCount.items(), key = operator.itemgetter(1), reverse = True) #根据字典的值降序排序
148 return sortedClassCount[0][0] #返回classList中出现次数最多的元素
149
150 """
151 函数说明:创建决策树
152
153 Parameters:
154 dataSet - 训练数据集
155 labels - 分类属性标签
156 featLabels - 存储选择的最优特征标签
157 Returns:
158 myTree - 决策树
159 Author:
160 Jack Cui
161 Blog:
162 http://blog.csdn.net/c406495762
163 Modify:
164 2017-07-25
165 """
166 def createTree(dataSet, labels, featLabels):
167 classList = [example[-1] for example in dataSet] #取分类标签(是否放贷:yes or no)
168 if classList.count(classList[0]) == len(classList): #如果类别完全相同则停止继续划分
169 return classList[0]
170 if len(dataSet[0]) == 1: #遍历完所有特征时返回出现次数最多的类标签
171 return majorityCnt(classList)
172 bestFeat = chooseBestFeatureToSplit(dataSet) #选择最优特征
173 bestFeatLabel = labels[bestFeat] #最优特征的标签
174 featLabels.append(bestFeatLabel)
175 myTree = {bestFeatLabel:{}} #根据最优特征的标签生成树
176 del(labels[bestFeat]) #删除已经使用特征标签
177 featValues = [example[bestFeat] for example in dataSet] #得到训练集中所有最优特征的属性值
178 uniqueVals = set(featValues) #去掉重复的属性值
179 for value in uniqueVals: #遍历特征，创建决策树。
180 myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value), labels, featLabels)
181 return myTree
182
183 """
184 函数说明:使用决策树分类
185
186 Parameters:
187 inputTree - 已经生成的决策树
188 featLabels - 存储选择的最优特征标签
189 testVec - 测试数据列表，顺序对应最优特征标签
190 Returns:
191 classLabel - 分类结果
192 Author:
193 Jack Cui
194 Blog:
195 http://blog.csdn.net/c406495762
196 Modify:
197 2017-07-25
198 """
199 def classify(inputTree, featLabels, testVec):
200 firstStr = next(iter(inputTree)) #获取决策树结点
201 secondDict = inputTree[firstStr] #下一个字典
202 featIndex = featLabels.index(firstStr)
203 for key in secondDict.keys():
204 if testVec[featIndex] == key:
205 if type(secondDict[key]).__name__ == ‘dict‘:
206 classLabel = classify(secondDict[key], featLabels, testVec)
207 else: classLabel = secondDict[key]
208 return classLabel
209
210 if __name__ == ‘__main__‘:
211 dataSet, labels = createDataSet()
212 featLabels = []
213 myTree = createTree(dataSet, labels, featLabels)
214 testVec = [0,0] #测试数据
215 result = classify(myTree, featLabels, testVec)
216 if result == ‘yes‘:
217 print(‘放贷‘)
218 if result == ‘no‘:
219 print(‘不放贷‘)
原文地址：https://www.cnblogs.com/smartisn/p/12403877.html
时间： 2024-11-09 02:04:12