机器学习一之决策树
作者：互联网
一、决策树算法的主要思想
它主要就是构建一个决策树表，通过数据集训练，递归选择最优特征，构成一个决策树。然后再通过这个决策树判断给定实例。
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 # print(labelCounts)
29 for key in labelCounts: #计算香农熵
30 prob = float(labelCounts[key]) / numEntires #选择该标签(Label)的概率
31 shannonEnt -= prob * log(prob, 2) #利用公式计算
32 return shannonEnt #返回经验熵(香农熵)
33
34 """
35 函数说明:创建测试数据集
36
37 Parameters:
38 无
39 Returns:
40 dataSet - 数据集
41 labels - 特征标签
42 Author:
43 Jack Cui
44 Blog:
45 http://blog.csdn.net/c406495762
46 Modify:
47 2017-07-20
48 """
49 def createDataSet():
50 dataSet = [[0, 0, 0, 0, 'no'], #数据集
51 [0, 0, 0, 1, 'no'],
52 [0, 1, 0, 1, 'yes'],
53 [0, 1, 1, 0, 'yes'],
54 [0, 0, 0, 0, 'no'],
55 [1, 0, 0, 0, 'no'],
56 [1, 0, 0, 1, 'no'],
57 [1, 1, 1, 1, 'yes'],
58 [1, 0, 1, 2, 'yes'],
59 [1, 0, 1, 2, 'yes'],
60 [2, 0, 1, 2, 'yes'],
61 [2, 0, 1, 1, 'yes'],
62 [2, 1, 0, 1, 'yes'],
63 [2, 1, 0, 2, 'yes'],
64 [2, 0, 0, 0, 'no']]
65 labels = ['年龄', '有工作', '有自己的房子', '信贷情况'] #特征标签
66 return dataSet, labels #返回数据集和分类属性
67
68 """
69 函数说明:按照给定特征划分数据集
70
71 Parameters:
72 dataSet - 待划分的数据集
73 axis - 划分数据集的特征
74 value - 需要返回的特征的值
75 Returns:
76 无
77 Author:
78 Jack Cui
79 Blog:
80 http://blog.csdn.net/c406495762
81 Modify:
82 2017-07-24
83 """
84 def splitDataSet(dataSet, axis, value):
85 retDataSet = [] #创建返回的数据集列表
86 for featVec in dataSet: #遍历数据集
87 if featVec[axis] == value:
88 reducedFeatVec = featVec[:axis] #去掉axis特征
89 reducedFeatVec.extend(featVec[axis+1:]) #将符合条件的添加到返回的数据集
90 retDataSet.append(reducedFeatVec)
91 return retDataSet #返回划分后的数据集
92
93 """
94 函数说明:选择最优特征
95
96 Parameters:
97 dataSet - 数据集
98 Returns:
99 bestFeature - 信息增益最大的(最优)特征的索引值
100 Author:
101 Jack Cui
102 Blog:
103 http://blog.csdn.net/c406495762
104 Modify:
105 2017-07-20
106 """
107 def chooseBestFeatureToSplit(dataSet):
108 numFeatures = len(dataSet[0]) - 1 #特征数量
109 baseEntropy = calcShannonEnt(dataSet) #计算数据集的香农熵
110 bestInfoGain = 0.0 #信息增益
111 bestFeature = -1 #最优特征的索引值
112 for i in range(numFeatures): #遍历所有特征
113 #获取dataSet的第i个所有特征
114 featList = [example[i] for example in dataSet]
115 uniqueVals = set(featList) #创建set集合{},元素不可重复
116 newEntropy = 0.0 #经验条件熵
117 for value in uniqueVals: #计算信息增益
118 subDataSet = splitDataSet(dataSet, i, value) #subDataSet划分后的子集
119 prob = len(subDataSet) / float(len(dataSet)) #计算子集的概率
120 newEntropy += prob * calcShannonEnt(subDataSet) #根据公式计算经验条件熵
121 infoGain = baseEntropy - newEntropy #信息增益
122 # print("第%d个特征的增益为%.3f" % (i, infoGain)) #打印每个特征的信息增益
123 if (infoGain > bestInfoGain): #计算信息增益
124 bestInfoGain = infoGain #更新信息增益，找到最大的信息增益
125 bestFeature = i #记录信息增益最大的特征的索引值
126 return bestFeature #返回信息增益最大的特征的索引值
127
128
129 """
130 函数说明:统计classList中出现此处最多的元素(类标签)
131
132 Parameters:
133 classList - 类标签列表
134 Returns:
135 sortedClassCount[0][0] - 出现此处最多的元素(类标签)
136 Author:
137 Jack Cui
138 Blog:
139 http://blog.csdn.net/c406495762
140 Modify:
141 2017-07-24
142 """
143 def majorityCnt(classList):
144 classCount = {}
145 for vote in classList: #统计classList中每个元素出现的次数
146 if vote not in classCount.keys():classCount[vote] = 0
147 classCount[vote] += 1
148 sortedClassCount = sorted(classCount.items(), key = operator.itemgetter(1), reverse = True) #根据字典的值降序排序
149 print(sortedClassCount)
150 return sortedClassCount[0][0] #返回classList中出现次数最多的元素
151
152 """
153 函数说明:创建决策树
154
155 Parameters:
156 dataSet - 训练数据集
157 labels - 分类属性标签
158 featLabels - 存储选择的最优特征标签
159 Returns:
160 myTree - 决策树
161 Author:
162 Jack Cui
163 Blog:
164 http://blog.csdn.net/c406495762
165 Modify:
166 2017-07-25
167 """
168 def createTree(dataSet, labels, featLabels):
169 classList = [example[-1] for example in dataSet] #取分类标签(是否放贷:yes or no)
170 if classList.count(classList[0]) == len(classList): #如果类别完全相同则停止继续划分
171 return classList[0]
172 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
173 return majorityCnt(classList)
174 bestFeat = chooseBestFeatureToSplit(dataSet) #选择最优特征
175 bestFeatLabel = labels[bestFeat] #最优特征的标签
176 featLabels.append(bestFeatLabel)
177 myTree = {bestFeatLabel:{}} #根据最优特征的标签生成树
178 del(labels[bestFeat]) #删除已经使用特征标签
179 featValues = [example[bestFeat] for example in dataSet] #得到训练集中所有最优特征的属性值
180 uniqueVals = set(featValues) #去掉重复的属性值
181 for value in uniqueVals: #遍历特征，创建决策树。
182 myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value), labels, featLabels)
183 return myTree
184
185 """
186 函数说明:使用决策树分类
187
188 Parameters:
189 inputTree - 已经生成的决策树
190 featLabels - 存储选择的最优特征标签
191 testVec - 测试数据列表，顺序对应最优特征标签
192 Returns:
193 classLabel - 分类结果
194 Author:
195 Jack Cui
196 Blog:
197 http://blog.csdn.net/c406495762
198 Modify:
199 2017-07-25
200 """
201 def classify(inputTree, featLabels, testVec):
202 firstStr = next(iter(inputTree)) #获取决策树结点
203 secondDict = inputTree[firstStr] #下一个字典
204 featIndex = featLabels.index(firstStr)
205 for key in secondDict.keys():
206 if testVec[featIndex] == key:
207 if type(secondDict[key]).__name__ == 'dict':
208 classLabel = classify(secondDict[key], featLabels, testVec)
209 else: classLabel = secondDict[key]
210 return classLabel
211
212 if __name__ == '__main__':
213 dataSet, labels = createDataSet()
214 featLabels = []
215 myTree = createTree(dataSet, labels, featLabels)
216 print(myTree)
217 print(featLabels)
218 testVec = [0,1,1,1] #测试数据
219 result = classify(myTree, featLabels, testVec)
220 if result == 'yes':
221 print('放贷')
222 if result == 'no':
223 print('不放贷')
View Code
二、读代码收获
python的数组分割表达：（前：和后：还有：：）
举例说明：a=[1,2,3,4,5,6]
a[-1]表示a数组中最后一个元素：6
a[1:]表示a数组从第2个元素开始到最后一个元素：[2,3,4,5,6]
a[:2]表示a数据从第一个元素开始到第二个元素：[1,2]
a[:-1]表示a数组从第一个元素到最后一个元素：[1,2,3,4,5,6]
a[::-1]表示将a数组反过来：[6,5,4,3,2,1]
a[::2]表示将a数组以步长为2输出：[1, 3, 5]
标签：机器,featLabels,特征,一之,dataSet,标签,yes,classList,决策树 来源： https://www.cnblogs.com/goubb/p/12452605.html