python机器学习笔记(2)—— ID3决策树
0x00 什么是ID3?
ID3算法(Iterative Dichotomiser 3 迭代二叉树3代)是一个由Ross Quinlan发明的用于决策树的算法。
- 优点:复杂度比k邻近算法低。
- 缺点:可能产生过度匹配问题。
- 适用数据范围:数值型,标量型。
这个算法是建立在奥卡姆剃刀的基础上:越是小型的决策树越优于大的决策树(简单理论)。尽管如此,该算法也不是总是生成最小的树形结构。而是一个启发式算法。
ID3算法通过计算计算信息熵来计算出最优的树结构。信息熵的概念参见这里。
算法的思路大概是这样的:
- 1.标签集中遍历标签。
- 2.找到在该情况下最优的划分。
- 3.生成当前情况的树。
- 4.回到1,直到整个树生成完成。
0x01 计算信息熵
以下代码中dataSet均以dataSet = {[feature1,...,featureN,result],[...],...}为格式。举个例子就是
dataSet = [[1,1,'yes'],
[1,1,'yes'],
[0,1,'no'],
[1,0,'no'],
[0,1,'no']
]
labels = ['no surfacing','flippers']
#数据集以数据加标签形式为格式
def 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 shannonEnt
简单地说,信息熵越大,则说明该介质携带的信息量越大。比如一个汉字的信息熵就比一个英文字母的信息熵要大。
0x02 划分数据集
如上面所说,需要找到在某个属性作为key时,value的熵最小的情况。所以需要做的一项工作就是把这个作为key的属性从数据集中抽取出来。
#划分数据集,就是剔出axis列的对应特征值为value的向量
def 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 retDataSet
然后就是计算在某个属性作为key时,value的熵最小的情况。
#选择最佳数据集划分方式
def chooseBestFeatureToSplit(dataSet):
numFeatures = len(dataSet[0]) - 1
baseEntropy = calcShannonEnt(dataSet)
bestInfoGain = 0.0
bestFeature = -1
for i in range(numFeatures):
featList = [example[i] for example in dataSet]
#set()可以将元组转变成无序集合,即去除相同元素
uniqueVals = set(featList)
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
if (infoGain > bestInfoGain):
bestInfoGain = infoGain
bestFeature = i
return bestFeature
0x04 递归生成决策树
经过上面的准备,生成决策树的代码就很好写了。
#处理当用完所有特征信息时仍然不能确定分类的情况
#返回数量最多的类别
def majorityCnt(classList):
classCount={}
for vote in classList:
if vote not in classCount.keys():
classCount[vote]=0
classCount[vote] += 1
sortedClassCount = sorted(classCount.iteritems(),key=lambda x:x[1],reverse = True)
return sortedClassCount[0][0]
#创建决策树
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 myTree
0x04 使用决策树执行分类
相对k邻近算法,决策树的使用就非常直观了,从根节点向下走就能得到结果。
def classify(inputTree,featLabels,testVec):
firstStr = inputTree.keys()[0]
secondDict = inputTree[firstStr]
featIndex = featLabels.index(firstStr)
key = testVec[featIndex]
valueOfFeat = secondDict[key]
if isinstance(valueOfFeat, dict):
classLabel = classify(valueOfFeat, featLabels, testVec)
else: classLabel = valueOfFeat
return classLabel