#决策树
#环境：Linux、python3.7.5
'''
决策树的一个重要任务是为了了解数据结构中所蕴含的知识信息，因此决策树可以使用不熟悉的数据集合，并从中提取出一系列规则，
这些机器根据数据集创建规则的过程，就是机器学习的过程。专家系统中经常使用决策树，而且决策树给出结果往往可以匹敌在当前
领域具有几十年工作经验的人类专家。
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。
缺点：可能产生过度匹配问题。
适用数据类型：数值型和标称型。
讨论如何用python代码来构建决策树
1.在构造决策树时，我们需要解决的第一个问题是，当前数据集上哪个特征在划分数据分类时起决定性作用。
决策树的一般流程：
1.收集数据：可以使用任何方法
2.准备数据：树构造算法只适用于标称型数据，因此数值型数据必须离散化
3.分析数据:可以使用任何方法，构造树完成之后，我们应该检查图形是否符合预期
4.训练算法：构造树的数据结构
5.测试算法：使用经验树计算错误率
6.使用算法：此步骤可以适用于任何监督学习算法，而使用决策树可以更好的理解数据的内在含义
'''
'''
信息增益计算方法：
划分数据集的大原则：将无序的数据变得更加有序。
组织杂乱无章数据的一种方法就是使用信息论度量信息
'''
import operator
#计算信息熵,用来划分数据集
from math import log
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
def createDataSet():
dataSet = [ [1,1,'yes'],
[1,1,'yes'],
[1,0,'no'],
[0,1,'no'],
[0,1,'no'] ]
labels = ['no surfacing', 'flippers'] #只是标签，“不浮出水面是否可以生存”、“是否有脚蹼” yes和no为是否属于鱼类
return dataSet, labels
#按照给定特征划分数据集
def splitDataSet(dataSet, axis, value):
retDataSet = []
for featVec in dataSet:
if featVec[axis] == value:
reduceFeatVec = featVec[:axis]
reduceFeatVec.extend(featVec[axis+1:])
retDataSet.append(reduceFeatVec)
return retDataSet
#选择最好的数据集划分方]式，用哪个特征来划分
def chooseBestFeatureToSplit(dataSet):
numFeatures = len(dataSet[0]) - 1 #判断当前数据集包含多少特征属性，特征表示可以是数值型，也可以是字符串类型
baseEntropy = calcShannonEnt(dataSet) #计算了整个数据集的原始香农熵
bestInfoGain = 0.0;bestFeature = -1
for i in range(numFeatures):
#创建唯一分类标签列表
featList = [example[i] for example in dataSet]
uniqueVals = set(featList) #数据集中所有第i列不重复的特征
newEntropy = 0.0
#计算每类划分方式的信息熵
for value in uniqueVals:
subDataSet = splitDataSet(dataSet, i, value)
prob = len(subDataSet)/float(len(dataSet))
newEntropy += prob * calcShannonEnt(subDataSet)
infoGain = baseEntropy - newEntropy
#计算最好的信息增益
if (infoGain > bestInfoGain):
bestInfoGain = infoGain
bestFeature = i
return bestFeature
'''
递归构建决策树
目前我们已经学习了从数据集构造决策树算法所需的子功能模块，其工作原理如下：
得到原始数据集，然后基于最好的属性值（chooseBestFeatureToSplit）划分数据集，
由于特征值可能多于两个，因此可能存在大于两个分支的数据集划分（多分类）。第一次划分之后，
数据将被向下传递到树分支的下一个节点，在这个节点上，我们可以再次划分数据。因此我们可以采用
递归的原则处理数据集。
递归结束的条件是：程序遍历完所有划分数据集的属性，或者每个分支下所有实例都具有相同的分类。
'''
#返回出现次数最多的分类名称
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=operator.iteritems(1), reverse=True)
return sortedClassCount[0][0]
#创建树的函数代码
#dataSet数据集 labels标签列表
def createTree(dataSet,labels):
classList = [example[-1] for example in dataSet] #数据集中所有的分类标签列
if classList.count(classList[0]) == len(classList): #类别完全相同则停止继续划分
return classList[0] #递归函数第一个停止的条件：所有的类标签完全相同
if len(dataSet[0]) == 1: #遍历完所有特征时返回出现次数做多的类别
return majorityCnt(classList) #递归函数第二个停止的条件：使用完了所有特征，仍然不能将数据集换份成仅包含唯一类别的分组
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
def retrieveTree(i):
listOfTrees = [{'no surfacing':{0:'no', 1:{'flippers': \
{0:'no', 1:'yes'}}}},
{'no surfacing':{0:'no', 1:{'flippers': \
{0:{'head':{0:'no', 1:'yes'}}, 1:'no'}}}}
]
return listOfTrees[i]
#绘制树形图 接口
#暂无
#隐形眼镜决策树模型示例
#暂无
#测试和存储分类器
'''
下面我们把重点转移到如何利用决策树执行数据分类上。
我们将使用决策树构建分类器，并介绍实际应用中如何存储分类器。之后我们将在真实数据上使用决策树分类算法，
验证它是否可以正确预测出患者应该使用的隐形眼镜类型。
'''
def classify(inputTree, featLabels, testVec):
firstStr = list(inputTree.keys())[0]
secondDict = inputTree[firstStr]
featIndex = featLabels.index(firstStr)
for key in secondDict.keys():
if testVec[featIndex] == key:
if type(secondDict[key]).__name__=='dict':
classLabel = classify(secondDict[key], featLabels, testVec)
else:
classLabel = secondDict[key]
return classLabel
#决策树的存储，使用pickle模块存储决策树
def storeTree(inputTree, filename):
import pickle
fw = open(filename, 'wb')
pickle.dump(inputTree, fw)
fw.close()
#加载 决策树
def grabTree(filename):
import pickle
fr = open(filename,'rb')
return pickle.load(fr)
if __name__ == '__main__':
'''
#决策树接口测试
myDat,labels=createDataSet()
#calcShannonEnt(myDat)
#splitDataSet(myDat,0,1)
#print('最好数据集划分特征特为第：',chooseBestFeatureToSplit(myDat), '列。')
'''
'''
#构建决策树
myDat,labels=createDataSet()
myTree=createTree(myDat, labels)
print(myTree)
'''
'''
#存储和加载树
myDat,labels=createDataSet()
myTree=createTree(myDat, labels)
storeTree(myTree, 'classifierStorage.txt')
ret = grabTree('classifierStorage.txt')
print(ret)
'''
#测试决策树分类效果
myDat,labels=createDataSet()
myTree=grabTree('classifierStorage.txt')
ret=classify(myTree, labels, [1,1])
print(ret)
