决策树 - 机器学习
决策树
在这里决策树就是，通过事物的特征，判断一个事物是否属于一个分类的算法。
比如，通过下面的一组数据通过条件 “不浮出水面是否可以生存” 和 “是否有脚蹼” 来判读是否是鱼的例子
不浮出水面是否可以生存 是否有脚蹼 属于鱼类 1 是 是 是 2 是 是 是 3 是 否 否 4 否 是 否 5 否 否 否
直接观察可以得出，“当浮出水面是否可以生存” 和 “是否有脚蹼” 两个条件都是 “是” 的时候，这时候就可以确定是鱼类
下面通过算法实现这个过程, 思路是
1、首先，根据顺序应该先使用那个特征进行分类，也就是先用 “当浮出水面是否可以生存” 还是 “是否有脚蹼” 进行分类；
2、其次，根据分类特征，对数据进行分类。也就比如，上一步是决定好要先使用 “当浮出水面是否可以生存” 做为特征，然后根据这个特征来对数据分类，分完类，再使用 “是否有脚蹼” 这个特征分类；
3、完成上面那两步之后，就可以用递归算法，得出一个决策方式；
在说明算法前先把上面的例子用下面的代码形式的数据表示（代码1）：
def createDataSet():
dataSet = [[1, 1, 'yes'],
[1, 1, 'yes'],
[1, 0, 'no'],
[0, 1, 'no'],
[0, 1, 'no']]
labels = ['no surfacing','flippers']
#change to discrete values
return dataSet, labels
一、
首先使用哪个特征分类，是通过“香农”定义 “熵” 公式决定的，这个公式是 l(x) = -log2P(x) （ps：手打不好看）
这段就是计算熵的代码（代码2）
def calcShannonEnt(dataSet):
numEntries = len(dataSet)
labelCounts = {}
for featVec in dataSet: #the the number of unique elements and their occurance
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) #log base 2
return shannonEnt
在这里，先选择的特征值 l(x)，和对应特征划分的数据计算熵，哪个熵越小，就先使用哪个作为特征来判断 （ ps：只是看算法理解的，不知道是不是 ）
首先说明，根据特征划分数据集的意思就是，如果用 “不浮出水面是否可以生存”来划 分数据就是，只取数据中 “不浮出水面是否可以生存” 是的条件为前提，选择数据。也就是再代码1，中的数据集就变为，这个数据就只剩下 “是否有脚蹼” 和 ”是否为鱼“ 这两个维度了 。(ps:可能写的不太好理解)
[1,yes], [1,yes], [0,no]
根据这个特征划分，数据集的代码（代码3），”axis“这个参数是 第几列也就是哪个特征；value 是 这个特征值是否为存在，在代码1中的数据集里就是 1 就是有，0就是没有；
def splitDataSet(dataSet, axis, value):
retDataSet = []
for featVec in dataSet:
if featVec[axis] == value:
reducedFeatVec = featVec[:axis] #chop out axis used for splitting
reducedFeatVec.extend(featVec[axis+1:])
retDataSet.append(reducedFeatVec)
return retDataSet
然后返回了根据这个特征作为判断的数据集后，通过计算这个数据集的熵来决定先用哪个特征（代码4）
def chooseBestFeatureToSplit(dataSet):
numFeatures = len(dataSet[0]) - 1 #the last column is used for the labels
baseEntropy = calcShannonEnt(dataSet)
bestInfoGain = 0.0; bestFeature = -1
for i in range(numFeatures): #iterate over all the features
featList = [example[i] for example in dataSet]#create a list of all the examples of this feature
uniqueVals = set(featList) #get a set of unique values
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 #calculate the info gain; ie reduction in entropy
if (infoGain > bestInfoGain): #compare this to the best gain so far
bestInfoGain = infoGain #if better than current best, set to best
bestFeature = i
return bestFeature #returns an integer
二、总的算法
递归构建决策树
def createTree(dataSet,labels):
classList = [example[-1] for example in dataSet]
if classList.count(classList[0]) == len(classList):
return classList[0]#stop splitting when all of the classes are equal
if len(dataSet[0]) == 1: #stop splitting when there are no more features in dataSet
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[:] #copy all of labels, so trees don't mess up existing labels
myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value),subLabels)
return myTree
-------------------------------------------------------------------
参考：Mechine learning in Action
