OpenCV码源笔记——Decision Tree决策树

来自OpenCV2.3.1 sample/c/mushroom.cpp

1.首先读入agaricus-lepiota.data的训练样本。

样本中第一项是e或p代表有毒或无毒的标志位；其他是特征，可以把每个样本看做一个特征向量；

cvSeqPush( seq, el_ptr );读入序列seq中，每一项都存储一个样本即特征向量；

之后，把特征向量与标志位分别读入CvMat* data与CvMat* reponses中

还有一个CvMat* missing保留丢失位当前小于0位置；

2.训练样本

[cpp] view plain copy

print?

1. dtree = new CvDTree;
2. dtree->train( data, CV_ROW_SAMPLE, responses, 0, 0, var_type, missing,
3. CvDTreeParams( 8, // max depth
4. 10, // min sample count 样本数小于10时，停止分裂
5. 0, // regression accuracy: N/A here；回归树的限制精度
6. true, // compute surrogate split, as we have missing data；；为真时，计算missing data和变量的重要性
7. 15, // max number of categories (use sub-optimal algorithm for larger numbers)类型上限以保证计算速度。树会以次优分裂（suboptimal split）的形式生长。只对2种取值以上的树有意义
8. 10, // the number of cross-validation folds；If cv_folds > 1 then prune a tree with K-fold cross-validation where K is equal to cv_folds
9. true, // use 1SE rule => smaller tree；If true 修剪树. 这将使树更紧凑,更能抵抗训练数据噪声,但有点不太准确
10. true, // throw away the pruned tree branches
11. priors //错分类的代价我们判断的：有毒VS无毒 错误的代价比 the array of priors, the bigger p_weight, the more attention
12. // to the poisonous mushrooms
13. // (a mushroom will be judjed to be poisonous with bigger chance)
14. ));

3.

[cpp] view plain copy

print?

1. double r = dtree->predict( &sample, &mask )->value;//使用predict来预测样本，结果为 CvDTreeNode结构,dtree->predict(sample,mask)->value是分类情况下的类别或回归情况下的函数估计值；

4.interactive_classification通过人工输入特征来判断。

[cpp] view plain copy

print?

1. #include "opencv2/core/core_c.h"
2. #include "opencv2/ml/ml.hpp"
3. #include <stdio.h>
4. void help()
5. {
6. printf("\nThis program demonstrated the use of OpenCV‘s decision tree function for learning and predicting data\n"
7. "Usage :\n"
8. "./mushroom <path to agaricus-lepiota.data>\n"
9. "\n"
10. "The sample demonstrates how to build a decision tree for classifying mushrooms.\n"
11. "It uses the sample base agaricus-lepiota.data from UCI Repository, here is the link:\n"
12. "\n"
13. "Newman, D.J. & Hettich, S. & Blake, C.L. & Merz, C.J. (1998).\n"
14. "UCI Repository of machine learning databases\n"
15. "[http://www.ics.uci.edu/~mlearn/MLRepository.html].\n"
16. "Irvine, CA: University of California, Department of Information and Computer Science.\n"
17. "\n"
18. "// loads the mushroom database, which is a text file, containing\n"
19. "// one training sample per row, all the input variables and the output variable are categorical,\n"
20. "// the values are encoded by characters.\n\n");
21. }
22. int mushroom_read_database( const char* filename, CvMat** data, CvMat** missing, CvMat** responses )
23. {
24. const int M = 1024;
25. FILE* f = fopen( filename, "rt" );
26. CvMemStorage* storage;
27. CvSeq* seq;
28. char buf[M+2], *ptr;
29. float* el_ptr;
30. CvSeqReader reader;
31. int i, j, var_count = 0;
32. if( !f )
33. return 0;
34. // read the first line and determine the number of variables
35. if( !fgets( buf, M, f ))
36. {
37. fclose(f);
38. return 0;
39. }
40. for( ptr = buf; *ptr != ‘\0‘; ptr++ )
41. var_count += *ptr == ‘,‘;//计算每个样本的数量，每个样本一个“，”，样本数量=var_count+1;
42. assert( ptr - buf == (var_count+1)*2 );
43. // create temporary memory storage to store the whole database
44. //把样本存入seq中，存储空间是storage；
45. el_ptr = new float[var_count+1];
46. storage = cvCreateMemStorage();
47. seq = cvCreateSeq( 0, sizeof(*seq), (var_count+1)*sizeof(float), storage );//
48. for(;;)
49. {
50. for( i = 0; i <= var_count; i++ )
51. {
52. int c = buf[i*2];
53. el_ptr[i] = c == ‘?‘ ? -1.f : (float)c;
54. }
55. if( i != var_count+1 )
56. break;
57. cvSeqPush( seq, el_ptr );
58. if( !fgets( buf, M, f ) || !strchr( buf, ‘,‘ ) )
59. break;
60. }
61. fclose(f);
62. // allocate the output matrices and copy the base there
63. *data = cvCreateMat( seq->total, var_count, CV_32F );//行数：样本数量；列数：样本大小；
64. *missing = cvCreateMat( seq->total, var_count, CV_8U );
65. *responses = cvCreateMat( seq->total, 1, CV_32F );//样本标志；
66. cvStartReadSeq( seq, &reader );
67. for( i = 0; i < seq->total; i++ )
68. {
69. const float* sdata = (float*)reader.ptr + 1;
70. float* ddata = data[0]->data.fl + var_count*i;
71. float* dr = responses[0]->data.fl + i;
72. uchar* dm = missing[0]->data.ptr + var_count*i;
73. for( j = 0; j < var_count; j++ )
74. {
75. ddata[j] = sdata[j];
76. dm[j] = sdata[j] < 0;
77. }
78. *dr = sdata[-1];//样本的第一个位置是标志；
79. CV_NEXT_SEQ_ELEM( seq->elem_size, reader );
80. }
81. cvReleaseMemStorage( &storage );
82. delete el_ptr;
83. return 1;
84. }
85. CvDTree* mushroom_create_dtree( const CvMat* data, const CvMat* missing,
86. const CvMat* responses, float p_weight )
87. {
88. CvDTree* dtree;
89. CvMat* var_type;
90. int i, hr1 = 0, hr2 = 0, p_total = 0;
91. float priors[] = { 1, p_weight };
92. var_type = cvCreateMat( data->cols + 1, 1, CV_8U );
93. cvSet( var_type, cvScalarAll(CV_VAR_CATEGORICAL) ); // all the variables are categorical
94. dtree = new CvDTree;
95. dtree->train( data, CV_ROW_SAMPLE, responses, 0, 0, var_type, missing,
96. CvDTreeParams( 8, // max depth
97. 10, // min sample count样本数小于10时，停止分裂
98. 0, // regression accuracy: N/A here；回归树的限制精度
99. true, // compute surrogate split, as we have missing data；为真时，计算missing data和可变的重要性正确度
100. 15, // max number of categories (use sub-optimal algorithm for larger numbers)类型上限以保证计算速度。树会以次优分裂（suboptimal split）的形式生长。只对2种取值以上的树有意义
101. 10, // the number of cross-validation folds；If cv_folds > 1 then prune a tree with K-fold cross-validation
102. true, // use 1SE rule => smaller treeIf true 修剪树. 这将使树更紧凑,更能抵抗训练数据噪声,但有点不太准确
103. true, // throw away the pruned tree branches
104. priors // the array of priors, the bigger p_weight, the more attention
105. // to the poisonous mushrooms
106. // (a mushroom will be judjed to be poisonous with bigger chance)
107. ));
108. // compute hit-rate on the training database, demonstrates predict usage.
109. for( i = 0; i < data->rows; i++ )
110. {
111. CvMat sample, mask;
112. cvGetRow( data, &sample, i );
113. cvGetRow( missing, &mask, i );
114. double r = dtree->predict( &sample, &mask )->value;//使用predict来预测样本，结果为 CvDTreeNode结构,dtree->predict(sample,mask)->value是分类情况下的类别或回归情况下的函数估计值；
115. int d = fabs(r - responses->data.fl[i]) >= FLT_EPSILON;//大于阈值FLT_EPSILON被判断为误检
116. if( d )
117. {
118. if( r != ‘p‘ )
119. hr1++;
120. else
121. hr2++;
122. }
123. p_total += responses->data.fl[i] == ‘p‘;
124. }
125. printf( "Results on the training database:\n"
126. "\tPoisonous mushrooms mis-predicted: %d (%g%%)\n"
127. "\tFalse-alarms: %d (%g%%)\n", hr1, (double)hr1*100/p_total,
128. hr2, (double)hr2*100/(data->rows - p_total) );
129. cvReleaseMat( &var_type );
130. return dtree;
131. }
132. static const char* var_desc[] =
133. {
134. "cap shape (bell=b,conical=c,convex=x,flat=f)",
135. "cap surface (fibrous=f,grooves=g,scaly=y,smooth=s)",
136. "cap color (brown=n,buff=b,cinnamon=c,gray=g,green=r,\n\tpink=p,purple=u,red=e,white=w,yellow=y)",
137. "bruises? (bruises=t,no=f)",
138. "odor (almond=a,anise=l,creosote=c,fishy=y,foul=f,\n\tmusty=m,none=n,pungent=p,spicy=s)",
139. "gill attachment (attached=a,descending=d,free=f,notched=n)",
140. "gill spacing (close=c,crowded=w,distant=d)",
141. "gill size (broad=b,narrow=n)",
142. "gill color (black=k,brown=n,buff=b,chocolate=h,gray=g,\n\tgreen=r,orange=o,pink=p,purple=u,red=e,white=w,yellow=y)",
143. "stalk shape (enlarging=e,tapering=t)",
144. "stalk root (bulbous=b,club=c,cup=u,equal=e,rhizomorphs=z,rooted=r)",
145. "stalk surface above ring (ibrous=f,scaly=y,silky=k,smooth=s)",
146. "stalk surface below ring (ibrous=f,scaly=y,silky=k,smooth=s)",
147. "stalk color above ring (brown=n,buff=b,cinnamon=c,gray=g,orange=o,\n\tpink=p,red=e,white=w,yellow=y)",
148. "stalk color below ring (brown=n,buff=b,cinnamon=c,gray=g,orange=o,\n\tpink=p,red=e,white=w,yellow=y)",
149. "veil type (partial=p,universal=u)",
150. "veil color (brown=n,orange=o,white=w,yellow=y)",
151. "ring number (none=n,one=o,two=t)",
152. "ring type (cobwebby=c,evanescent=e,flaring=f,large=l,\n\tnone=n,pendant=p,sheathing=s,zone=z)",
153. "spore print color (black=k,brown=n,buff=b,chocolate=h,green=r,\n\torange=o,purple=u,white=w,yellow=y)",
154. "population (abundant=a,clustered=c,numerous=n,\n\tscattered=s,several=v,solitary=y)",
155. "habitat (grasses=g,leaves=l,meadows=m,paths=p\n\turban=u,waste=w,woods=d)",
156. 0
157. };
158. void print_variable_importance( CvDTree* dtree, const char** var_desc )
159. {
160. const CvMat* var_importance = dtree->get_var_importance();
161. int i;
162. char input[1000];
163. if( !var_importance )
164. {
165. printf( "Error: Variable importance can not be retrieved\n" );
166. return;
167. }
168. printf( "Print variable importance information? (y/n) " );
169. scanf( "%1s", input );
170. if( input[0] != ‘y‘ && input[0] != ‘Y‘ )
171. return;
172. for( i = 0; i < var_importance->cols*var_importance->rows; i++ )
173. {
174. double val = var_importance->data.db[i];
175. if( var_desc )
176. {
177. char buf[100];
178. int len = strchr( var_desc[i], ‘(‘ ) - var_desc[i] - 1;
179. strncpy( buf, var_desc[i], len );
180. buf[len] = ‘\0‘;
181. printf( "%s", buf );
182. }
183. else
184. printf( "var #%d", i );
185. printf( ": %g%%\n", val*100. );
186. }
187. }
188. void interactive_classification( CvDTree* dtree, const char** var_desc )
189. {
190. char input[1000];
191. const CvDTreeNode* root;
192. CvDTreeTrainData* data;
193. if( !dtree )
194. return;
195. root = dtree->get_root();
196. data = dtree->get_data();
197. for(;;)
198. {
199. const CvDTreeNode* node;
200. printf( "Start/Proceed with interactive mushroom classification (y/n): " );
201. scanf( "%1s", input );
202. if( input[0] != ‘y‘ && input[0] != ‘Y‘ )
203. break;
204. printf( "Enter 1-letter answers, ‘?‘ for missing/unknown value...\n" );
205. // custom version of predict
206. //传统的预测方式;
207. node = root;
208. for(;;)
209. {
210. CvDTreeSplit* split = node->split;
211. int dir = 0;
212. if( !node->left || node->Tn <= dtree->get_pruned_tree_idx() || !node->split )
213. break;
214. for( ; split != 0; )
215. {
216. int vi = split->var_idx, j;
217. int count = data->cat_count->data.i[vi];
218. const int* map = data->cat_map->data.i + data->cat_ofs->data.i[vi];
219. printf( "%s: ", var_desc[vi] );
220. scanf( "%1s", input );
221. if( input[0] == ‘?‘ )
222. {
223. split = split->next;
224. continue;
225. }
226. // convert the input character to the normalized value of the variable
227. for( j = 0; j < count; j++ )
228. if( map[j] == input[0] )
229. break;
230. if( j < count )
231. {
232. dir = (split->subset[j>>5] & (1 << (j&31))) ? -1 : 1;
233. if( split->inversed )
234. dir = -dir;
235. break;
236. }
237. else
238. printf( "Error: unrecognized value\n" );
239. }
240. if( !dir )
241. {
242. printf( "Impossible to classify the sample\n");
243. node = 0;
244. break;
245. }
246. node = dir < 0 ? node->left : node->right;
247. }
248. if( node )
249. printf( "Prediction result: the mushroom is %s\n",
250. node->class_idx == 0 ? "EDIBLE" : "POISONOUS" );
251. printf( "\n-----------------------------\n" );
252. }
253. }
254. int main( int argc, char** argv )
255. {
256. CvMat *data = 0, *missing = 0, *responses = 0;
257. CvDTree* dtree;
258. const char* base_path = argc >= 2 ? argv[1] : "agaricus-lepiota.data";
259. help();
260. if( !mushroom_read_database( base_path, &data, &missing, &responses ) )
261. {
262. printf( "\nUnable to load the training database\n\n");
263. help();
264. return -1;
265. }
266. dtree = mushroom_create_dtree( data, missing, responses,
267. 10 // poisonous mushrooms will have 10x higher weight in the decision tree
268. );
269. cvReleaseMat( &data );
270. cvReleaseMat( &missing );
271. cvReleaseMat( &responses );
272. print_variable_importance( dtree, var_desc );
273. interactive_classification( dtree, var_desc );
274. delete dtree;
275. return 0;
276. }
277. //from: http://blog.csdn.net/yangtrees/article/details/7490852