機器學習實戰-決策樹

来源:https://www.cnblogs.com/twq46/archive/2022/10/02/16747541.html
-Advertisement-
Play Games

本文講解了決策樹的創鍵的過程,包括熵,信息增益的計算,還有決策樹的創建,以及使用matplotlib讓決策樹可視化的詳細過程 ...


1.決策樹的構造

1.1優缺點

優點:
  • 計算複雜度不高:以ID3為例,每次運算都是基於某一列特征,特征計算完後,下次計算不考慮該最有特征,並且通過適當剪枝可以簡化複雜度

  • 輸出結果易於理解:因為輸出的是一個樹的結構,樹的走向一目瞭然

  • 對中間值的缺失不敏感

  • 可以處理不相關特 徵數據:是基於每列特征來計算,不考慮特征之間的依賴關係

缺點:可能會產生過度匹配問題。
適用數據類型:數值型和標稱型。

1.2信息熵

主要用來度量信息的混亂程度,信息越混亂,說明能夠包含的信息量越多,則熵越大。反之若信息越有序說明包含的信息量越少,則熵越小。

1.3信息增益

標準的說法就是:一個隨機變數的引入導致了另一個隨機變數的混亂性變化(約束),如果約束越大,信息增益就越大。舉個通俗易懂的例子就是:比如你去銀行貸款,如果你自己的個人信息你對貸款員什麼都不說,那貸款員是不是就很不確定是否貸款給你,如果你只說了你的薪資,那較之前相比,貸款員是否給你貸款是不是就多了一種判斷的依據,也就是說,你告訴貸款員你的個人信息越多,貸款員是否給你貸款就越確定,此時的信息增益也就是最大。在舉一個例子:瞭解一個人的信息,如果給一個身份證號,由於每個人的身份證號都是唯一的,所以一個身份證號就可以判斷這個的所有信息,也就是引入身份證號這個屬性之後,就會唯一確定一個人,這時身份證號對判斷這個人的約束是最大,信息增益也就是最大。

2.決策樹的構造

2.1熵的計算

數據集:

根據表中的數據統計可知,在15個數據中,9個數據的結果為放貸,6個數據的結果為不放貸。所以數據集D的經驗熵H(D)為:

def calcShannonEnt(dataSet):
    numEntires = len(dataSet)    #返回數據集的行數
    labelCounts = {}    #保存每個標簽(Label)出現次數的字典
    for featVec in dataSet: #featVec代表一行一行的數據   #對每組特征向量進行統計
        currentLabel = featVec[-1]  #取每一行的最後一列也即是否貸款的值
        if currentLabel not in labelCounts.keys():    #如果標簽(Label)沒有放入統計次數的字典,添加進去
            labelCounts[currentLabel] = 0#鍵對應的值設為零
        labelCounts[currentLabel] += 1 #鍵對應的值加一
    shannonEnt = 0.0                                #經驗熵(香農熵)
    for key in labelCounts:                            #計算香農熵
        prob = float(labelCounts[key]) / numEntires    #選擇該標簽(Label)的概率
        shannonEnt -= prob * log(prob, 2)            #利用公式計算
    return shannonEnt

def createDataSet():
    #年齡:0代表青年,1代表中年,2代表老年
    #信貸情況:0代表一般,1代表好,2代表非常好
    dataSet = [[0, 0, 0, 0, 'no'],  # 數據集
               [0, 0, 0, 1, 'no'],
               [0, 1, 0, 1, 'yes'],
               [0, 1, 1, 0, 'yes'],
               [0, 0, 0, 0, 'no'],
               [1, 0, 0, 0, 'no'],
               [1, 0, 0, 1, 'no'],
               [1, 1, 1, 1, 'yes'],
               [1, 0, 1, 2, 'yes'],
               [1, 0, 1, 2, 'yes'],
               [2, 0, 1, 2, 'yes'],
               [2, 0, 1, 1, 'yes'],
               [2, 1, 0, 1, 'yes'],
               [2, 1, 0, 2, 'yes'],
               [2, 0, 0, 0, 'no']]
    labels = ['年齡', '有工作', '有自己的房子', '信貸情況']  # 特征標簽
    return dataSet, labels  # 返回數據集和分類屬性

myDat,labels=createDataSet()
print(myDat)
print(calcShannonEnt(myDat))

測試結果:

2.2劃分數據集

2.2.1按照給定特征劃分數據集

#三個輸入參數:待劃分的數據集、劃分數據集的特征、需要返回的特征的值
def splitDataSet(dataSet, axis, value):
    retDataSet = []                 #創建返回的數據集列表
    for featVec in dataSet:             #遍曆數據集
        if featVec[axis] == value:
            reducedFeatVec = featVec[:axis]    #去掉axis特征
            reducedFeatVec.extend(featVec[axis+1:])     #將符合條件的添加到返回的數據集
            retDataSet.append(reducedFeatVec)
    return retDataSet        #返回劃分後的數據集

上面代碼的解釋,假設axis=0,value=1,表示的是在第一列年齡的屬性中,找到值為1(也即為中年)的所有行,然後去掉每一行中第一列的數據(其實很多餘,因為在算熵的時候只取最後一列的數據),然後每一行的剩餘列的數據保存

以添加年齡之後算此時是否貸款的信息增益的方法如下圖:

2.2.2選擇最好的數據集劃分方式

代碼實現:
def chooseBestFeatureToSplit(dataSet):
    numFeatures = len(dataSet[0]) - 1    #特征數量
    baseEntropy = calcShannonEnt(dataSet)                 #計算數據集的香農熵
    bestInfoGain = 0.0      #信息增益
    bestFeature = -1       #最優特征的索引值
    for i in range(numFeatures):   #遍歷所有特征
        #獲取dataSet的第i個所有特征-第i列全部的值
        featList = [example[i] for example in dataSet]
        uniqueVals = set(featList)   #創建set集合{},元素不可重覆
        newEntropy = 0.0   #經驗條件熵
        for value in uniqueVals:  #計算信息增益
            subDataSet = splitDataSet(dataSet, i, value) #subDataSet劃分後的子集
            prob = len(subDataSet) / float(len(dataSet)) #計運算元集的概率如上圖的p(youth),p(middle),p(old)的值
            newEntropy += prob * calcShannonEnt(subDataSet)     #根據公式計算經驗條件熵
        infoGain = baseEntropy - newEntropy #信息增益=h(D)-h(D|A)
        # print("第%d個特征的增益為%.3f" % (i, infoGain))            #列印每個特征的信息增益
        if (infoGain > bestInfoGain): #取出信息增益的最大值                            #計算信息增益
            bestInfoGain = infoGain                             #更新信息增益,找到最大的信息增益
            bestFeature = i                                     #記錄信息增益最大的特征的索引值
    return bestFeature

2.3遞歸構建決策樹

#當所有的特征及屬性都遍歷完成之後任然不能確定是否貸款
#此時可根據classlist中是否貸款各自的數量,取最大票數的即可
def majorityCnt(classList):
    classCount = {}
    for vote in classList:                                        #統計classList中每個元素出現的次數
        if vote not in classCount.keys():
            classCount[vote] = 0
        classCount[vote] += 1
    sortedClassCount = sorted(classCount.items(), key = operator.itemgetter(1), reverse = True) #根據字典的值降序排序
    return sortedClassCount[0][0]                                #返回classList中出現次數最多的元素

#創建樹的函數代碼
def createTree(dataSet, labels, featLabels):
    classList = [example[-1] for example in dataSet]#取分類標簽(是否放貸:yes or no)
    # print("classlist:")
    # print(classList)
    if classList.count(classList[0]) == len(classList):            #如果類別完全相同則停止繼續劃分
        return classList[0]
    if len(dataSet[0]) == 1: #遍歷完所有特征時返回出現次數最多的類標簽
        return majorityCnt(classList)
    bestFeat = chooseBestFeatureToSplit(dataSet) #選擇最優特征
    bestFeatLabel = labels[bestFeat]#最優特征的標簽
    featLabels.append(bestFeatLabel)
    myTree = {bestFeatLabel:{}}#根據最優特征的標簽生成樹
    del(labels[bestFeat])    #刪除已經使用特征標簽
    featValues = [example[bestFeat] for example in dataSet]  #得到訓練集中所有最優特征的屬性值
    uniqueVals = set(featValues) #去掉重覆的屬性值
    for value in uniqueVals:   #遍歷特征,創建決策樹。
        myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value), labels, featLabels)
    return myTree

遞歸函數的第一個停止條件是所有的
類標簽完全相同,則直接返回該類標簽。遞歸函數的第二個停止條件是使用完了所有特征,任然不能將數據集劃分成僅包含唯一類別的分組 。由於第二個條件無法簡單地返回唯一的類標 簽,這裡使用投票表決的函數挑選出現次數最多的類別作為返回值

運行結果


由上面建立的決策樹可知,首先判斷你是否有房子,如果有就可以貸款給你,如果沒有房子再看你是否有工作,如果既沒有房子也沒有工作,就不貸款給你,如果有沒有房子,但有工作,也貸款給你

3.使用 Matplotlib 註解繪製樹形圖

使用Matplotlib的註解功能繪製樹形圖,它可以對文字著色並提供多種形狀以供選擇, 而且我們還可以反轉箭頭,將它指向文本框而不是數據點。
#獲取決策樹葉子結點的數目
def getNumLeafs(myTree):
    numLeafs = 0 #初始化葉子
    firstStr = next(iter(myTree)) #python3中myTree.keys()返回的是dict_keys,不在是list,所以不能使用myTree.keys()[0]的方法獲取結點屬性,可以使用list(myTree.keys())[0]
    secondDict = myTree[firstStr] #獲取下一組字典
    for key in secondDict.keys():
        if type(secondDict[key]).__name__=='dict': #測試該結點是否為字典,如果不是字典,代表此結點為葉子結點
            numLeafs += getNumLeafs(secondDict[key])
        else:   numLeafs +=1
    return numLeafs

#獲取決策樹的層數
def getTreeDepth(myTree):
    maxDepth = 0  #初始化決策樹深度
    firstStr = next(iter(myTree)) #python3中myTree.keys()返回的是dict_keys,不在是list,所以不能使用myTree.keys()[0]的方法獲取結點屬性,可以使用list(myTree.keys())[0]
    secondDict = myTree[firstStr] #獲取下一個字典
    for key in secondDict.keys():
        if type(secondDict[key]).__name__=='dict': #測試該結點是否為字典,如果不是字典,代表此結點為葉子結點
            thisDepth = 1 + getTreeDepth(secondDict[key])
        else:   thisDepth = 1
        if thisDepth > maxDepth: maxDepth = thisDepth #更新層數
    return maxDepth

#繪製結點
def plotNode(nodeTxt, centerPt, parentPt, nodeType):
    arrow_args = dict(arrowstyle="<-")  #定義箭頭格式
    #下麵的字體僅使用與Mac用戶,如果您是Windows用戶請修改為font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=14)
    font = FontProperties(fname=r'/System/Library/Fonts/Hiragino Sans GB.ttc', size=14)        #設置中文字體
    createPlot.ax1.annotate(nodeTxt, xy=parentPt,  xycoords='axes fraction',    #繪製結點
        xytext=centerPt, textcoords='axes fraction',
        va="center", ha="center", bbox=nodeType, arrowprops=arrow_args, fontproperties=font)

#標註有向邊屬性值
def plotMidText(cntrPt, parentPt, txtString):
    xMid = (parentPt[0]-cntrPt[0])/2.0 + cntrPt[0]                                            #計算標註位置
    yMid = (parentPt[1]-cntrPt[1])/2.0 + cntrPt[1]
    createPlot.ax1.text(xMid, yMid, txtString, va="center", ha="center", rotation=30)

#繪製決策樹
def plotTree(myTree, parentPt, nodeTxt):
    decisionNode = dict(boxstyle="sawtooth", fc="0.8")                                        #設置結點格式
    leafNode = dict(boxstyle="round4", fc="0.8")                                            #設置葉結點格式
    numLeafs = getNumLeafs(myTree)                                                          #獲取決策樹葉結點數目,決定了樹的寬度
    depth = getTreeDepth(myTree)                                                            #獲取決策樹層數
    firstStr = next(iter(myTree))                                                            #下個字典
    cntrPt = (plotTree.xOff + (1.0 + float(numLeafs))/2.0/plotTree.totalW, plotTree.yOff)    #中心位置
    plotMidText(cntrPt, parentPt, nodeTxt)                                                    #標註有向邊屬性值
    plotNode(firstStr, cntrPt, parentPt, decisionNode)                                        #繪製結點
    secondDict = myTree[firstStr]                                                            #下一個字典,也就是繼續繪製子結點
    plotTree.yOff = plotTree.yOff - 1.0/plotTree.totalD                                        #y偏移
    for key in secondDict.keys():
        if type(secondDict[key]).__name__=='dict':                                            #測試該結點是否為字典,如果不是字典,代表此結點為葉子結點
            plotTree(secondDict[key],cntrPt,str(key))                                        #不是葉結點,遞歸調用繼續繪製
        else:                                                                                #如果是葉結點,繪製葉結點,並標註有向邊屬性值
            plotTree.xOff = plotTree.xOff + 1.0/plotTree.totalW
            plotNode(secondDict[key], (plotTree.xOff, plotTree.yOff), cntrPt, leafNode)
            plotMidText((plotTree.xOff, plotTree.yOff), cntrPt, str(key))
    plotTree.yOff = plotTree.yOff + 1.0/plotTree.totalD

#創建繪製面板
def createPlot(inTree):
    fig = plt.figure(1, facecolor='white') #創建fig
    fig.clf()   #清空fig
    axprops = dict(xticks=[], yticks=[])
    createPlot.ax1 = plt.subplot(111, frameon=False, **axprops) #去掉x、y軸
    plotTree.totalW = float(getNumLeafs(inTree)) #獲取決策樹葉結點數目
    plotTree.totalD = float(getTreeDepth(inTree)) #獲取決策樹層數
    plotTree.xOff = -0.5/plotTree.totalW; plotTree.yOff = 1.0; #x偏移
    plotTree(inTree, (0.5,1.0), '')  #繪製決策樹
    plt.show()  #顯示繪製結果

if __name__ == '__main__':
    dataSet, labels = createDataSet()
    featLabels = []
    myTree = createTree(dataSet, labels, featLabels)
    print(myTree)
    createPlot(myTree)

運行遇到的錯誤:

  • 1.AttributeError:module 'backend_interagg' has no attribute 'FigureCanvas'
    解決方法:
    在pycharm中打開" File --> Settings --> Tools --> Python Scientific ",將"Show plots in toolwindow"去掉勾選,並應用。

  • 2.'Annotation' object has no property 'FontProperties'
    解決方法:
    找了一會發現是字體問題,因為我的電腦是Mac系統,在字體設置與Windows有些區別,讀者可以根據如下步驟修改:首先在終端輸入open /System/Library/Fonts然後找到一種字體,並複製其路徑,另外在調用的時候FontProperties要寫成小寫,否則也會報錯,如下圖

最終問題解決之後,運行結果如下圖


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 大家好,我是痞子衡,是正經搞技術的痞子。今天痞子衡給大家介紹的是i.MXRT10xx系列MCU外接24MHz晶振的作用。 痞子衡之前寫過一篇關於時鐘引腳的文章 《i.MXRT1xxx系列MCU時鐘相關功能引腳的作用》,裡面簡單提及了外部晶振相關引腳的作用,但是並沒有詳細展開。最近在客戶支持中,有客戶 ...
  • MySQL基礎知識02 4.CRUD 資料庫CRUD語句:增(create)、刪(delete)、改(update)、查(Retrieve) Insert 語句 (添加數據) Update 語句(更新數據) Delete 語句(刪除數據) Select 語句 (查找數據) 指對資料庫中表記錄的操作( ...
  • MySQL基本知識 1.資料庫 1.1.創建資料庫 語法: CREATE DATABASE [IF NOT EXISTS] db_name [create_specification[,create_specification]...] create_specification: [DEFAULT] ...
  • 一、在Bootstra5中使用媒體對象 Bootstrap 媒體對象在版本 5 中已經停止支持了。但是,我們仍然可以使用 flex 和 margin 創建包含左對齊或右對齊媒體對象(如圖像或視頻)以及文本內容(如博客評論、推文等)的佈局 。 <!doctype html> <html lang="z ...
  • 一、節流 概念:在規定的間隔時間範圍內不會重覆觸發回調,只有大於這個時間間隔才會觸發回調,把頻繁觸發變為少量觸發。 類似於技能CD。 應用:點擊按鈕,輪播圖點擊左右箭頭。 插件lodash.js,它裡面封裝了函數的防抖與節流業務。 <p>計數器:<span>0</span></p> <button> ...
  • Spring 5框架 一、Spring概念 1、Spring是輕量級的JavaEE框架 2、Spring可以解決企業應用開發的複雜性 3、Spring有兩個核心部分:IOC和AOP ​ 1)IOC:控制反轉,把創建對象過程交給Spring進行管理 ​ 2)AOP:面向切麵,不修改源代碼進行功能增強 ...
  • LinkList可以定義指向List的指針 1.當函數參數為LinkList L時,意味著只改變或操作List的內容,而不需要改變L這個指針 如 Status GetElem(LinkList L,int i,ElemType) 2.當參數為LinkList &L時,意味著需要改變或操作L這個指針本 ...
  • ♠ use C++11 倍數 若 $a,b,k \in \mathbb N$,且 $a \times k=b$,那麼 $b$ 是 $a$ 的倍數,稱 $a$ 整除 $b$,記作 $a \mid b$。 $[1,n]\in \mathbb N$ 中 $x \in \mathbb N$ 的倍數有 $\l ...
一周排行
    -Advertisement-
    Play Games
  • 簡介 本文的初衷是希望幫助那些有其它平臺視覺演算法開發經驗的人能快速轉入Halcon平臺下,通過文中的示例開發者能快速瞭解一個Halcon項目開發的基本步驟,讓開發者能把精力完全集中到演算法的開發上面。 首先,你需要安裝Halcon,HALCON 18.11.0.1的安裝包會放在文章末尾。安裝包分開發和 ...
  • 本文是對Datawhale的動手學數據分析課程的學習總結,記錄了整體的學習過程、答案以及個人感想,代碼較為詳細。 ...
  • JZ7重建二叉樹 描述 給定節點數為 n 的二叉樹的前序遍歷和中序遍歷結果,請重建出該二叉樹並返回它的頭結點。 例如輸入前序遍歷序列{1,2,4,7,3,5,6,8}和中序遍歷序列{4,7,2,1,5,3,8,6} 提示: 1.vin.length == pre.length 2.pre 和 vin ...
  • 我們都知道在Java編程中多線程的同步使用synchronized關鍵字來標識,那麼這個關鍵字在JVM底層到底是如何實現的呢。 我們先來思考一下如果我們自己實現的一個鎖該怎麼做呢: 首先肯定要有個標記記錄對象是否已經上鎖,執行同步代碼之前判斷這個標誌,如果對象已經上鎖線程就阻塞等待鎖的釋放。 其次要 ...
  • 目錄 一.OpenGL 色階 1.Windows OpenGL ES 版本 2.Windows OpenGL 版本 二.OpenGL 色階 GLSL Shader 三.猜你喜歡 零基礎 OpenGL ES 學習路線推薦 : OpenGL ES 學習目錄 >> OpenGL ES 基礎 零基礎 Ope ...
  • 1. 查看Linux伺服器版本信息 # cat /etc/redhat-release CentOS Linux release 7.4.1708 (Core) 2. 禪道開源版安裝包下載 wget http://dl.cnezsoft.com/zentao/9.8.2/ZenTaoPMS.9.8. ...
  • Spring 框架可以為 Java 應用程式開發提供全面的基礎設施支持,它是現在非常流行的 Java 開源框架,對於一個 Java 開發人員來說,熟練掌握 Spring 是必不可少的。 ...
  • 前言 本篇是c++總結的第二篇,關於c++的對象模型,在構造、拷貝虛函數上重點分析,也包含了c++11class的新用法和特性,如有不當,還請指教! c++三大特性 訪問許可權 ​ 在c++中通過public、protected、private三個關鍵字來控製成員變數和成員函數的訪問許可權,它們分別表示 ...
  • 一.小結 1.使用二維數組來存儲表格 2.可以使用以下語法來聲明二維數組變數: 元素類型[ ] [ ]數組變數 3.可以使用以下語法來創建二維數組變數: new 元素類型 [行的個數][列的個數] 4.使用下麵的語法表示二維數組中的每個元素: 數組變數[行下標][列的個數] 5.可使用數組初始化語法 ...
  • typimg是一款為typora編輯器提供圖像自定義上傳服務的工具,該工具將在typora中輸入的網路圖片、本地圖片、剪貼板圖片/截圖上傳到博客園,支持在MacOS、Windiws、Linux三個平臺上運行。 ...