机器学习_决策树Python代码详解

决策树优点：计算复杂度不高，输出结果易于理解，对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问题。

决策树的一般步骤：

（1）代码中def 1，计算给定数据集的香农熵：

其中n为类别数，D为数据集，每行为一个样本，p_k  表示当前样本集合D中第k类样本所占的比例，Ent(D)越小，D的纯度越高，即表示D中样本大部分属于同一类；反之，D的纯度越低，即数据集D中的类别数比较多。

（2）代码中def 2，选择最好的数据集划分方式，即选择信息增益最大的属性：

其中

这里V表示属性a的可能的取值数，D^v表示属性a上取值为a^v的样本。

（3）代码中 def 3，按照给定特征划分数据集：选取最优属性后，再从属性的各个取值中选取最优的属性，以此类推。

（4）代码中def 5，递归构造数，数的结束标志为：a、类别完全相同则停止划分；b、代码中def 4，如果数据集已经处理了所有属性，但是类标签依然不是唯一的，此时采用多数表决法，即遍历完所有特征时返回出现次数最多的类别。

from math import log

# 计算数据集的信息熵，熵越小，说明数据集的纯度越高def calcShannonEnt(dataset):   # def 1    numEntries = len(dataset)   # 样本数，这里的dataSet是列表    labelCounts = {}  #定义一个字典，key为类别，值为类别数    for featVec in dataset:   # 统计各个类别的个数        currentLabel = featVec[-1]        if currentLabel not in labelCounts.keys():            labelCounts[currentLabel] = 0        labelCounts[currentLabel] += 1    shannonEnt = 0.0   # 信息熵    for key in labelCounts:        prob = float(labelCounts[key])/numEntries        shannonEnt -= prob * log(prob,2)    return shannonEnt  # 信息熵

# 选出最好的数据集划分方式,即找出具有最大信息增益的特征def chooseBestFeatureToSplit(dataSet):    #def 2    numFeatures = len(dataSet[0])-1  # 特征数    baseEntropy = calcShannonEnt(dataSet)  #计算数据集的香农熵    bestInfoGain = 0.0; bestFeature = -1    for i in range(numFeatures):        featList = [example[i] for example in dataSet]  #第i列特征的所有特征的取值        uniqueVals = set(featList)  # 去掉重复的特征，每个特征值都是唯一的        newEntropy = 0.0        for value in uniqueVals:            subDataSet = splitDataSet(dataSet,i,value)            prob = len(subDataSet)/float(len(dataSet))            newEntropy += prob * calcShannonEnt(subDataSet)        infoGain = baseEntropy - newEntropy  # 表示属性为value的信息增益        if (infoGain > bestInfoGain):            bestInfoGain = infoGain            bestFeature = i    return bestFeature  # 具有最大信息增益的特征

# 按照给定特征维数划分数据集,数据集中一行为一个样本# def 3def splitDataSet(dataSet,axis,value):   # axis可表示数据集的列，也就是特征为数，value表示特征的取值    retDataSet = []    for featVec in dataSet:        if featVec[axis] == value:            reducedFeatVec = featVec[:axis]    # 在数据集中去掉axis这一列            reducedFeatVec.extend(featVec[axis+1:])            retDataSet.append(reducedFeatVec)    return retDataSet  # 表示去掉在axis中特征值为value的样本后而得到的数据集

# 当处理了所有属性，但是类标签依然不是唯一的，此时采用多数表决法决定该叶子节点的分类def majorityCnt(classList):   # def 4    classCount = {}    for vote in classList:        if vote not in classCount.keys():            classCount[vote] = 0        classCount += 1    sortedClassCount = sorted(classCount.items(),key=lambda classCount: classCount[1],reverse = True)    return sortedClassCount[0][0]

# 创建树def createTree(dataSet,labels):   #  def 5    classList = [example[-1] for example in dataSet]   #类别列表    if classList.count(classList[0]) == len(classList):   # 如果类别完全相同就停止划分        return classList[0]    if (len(dataSet[0]) == 1):        return majorityCnt(classList)    bestFeat = chooseBestFeatureToSplit(dataSet)  # 选出最好的特征，也就是信息增益最大的特征    bestFeatLabel = labels[bestFeat]    myTree = {bestFeatLabel:{}}    del(labels[bestFeat])   # 每划分一层，特征数目就会较少    featValues = [example[bestFeat] for example in dataSet]    # 最好的特征的特征值    uniqueVals = set(featValues)  #去掉重复的特征    for value in uniqueVals:        subLabels = labels[:]   # 减少后的特征名        myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet,bestFeat,value),subLabels)    return myTree

def createDateSet():    dataSet = [[1,1,‘yes‘],[1,1,‘yes‘],[1,0,‘no‘],[0,1,‘no‘],[0,1,‘no‘]]    labels = [‘no surfacing‘,‘flippers‘]   #属性名    return dataSet,labels

myData,myLabel = createDateSet()createTree(myData,myLabel)print(createTree(myData,myLabel))#print(chooseBestFeatureToSplit(myData))# print(splitDataSet(myData,0,1))# print(splitDataSet(myData,0,0))

原文地址：https://www.cnblogs.com/lijingblog/p/9742635.html