决策树

决策树算法，属于classification中的一种

算法思想：在数据中按照一定规则选取feature，然后根据该feature的值进行分类， 递归进行分类直到一个子类完全属于一个类别或者feature用尽。 

算法输入数据样式：

其中XT和XU就是feature， Class就是该条数据所属的类别。

算法过程：

针对上面的例子对分类过程进行描述：

1.  假如第一次分类选取XT进行分类，那么会分成两类（因为XQ有两个取值0和1），如下图

　和

2.  检查子类是否满足算法终止条件：发现左边满足终止条件（Class标示的类别都属于同一类），右边不满足，所以继续进行分类

3.  由于在上一次选择feature的时候XT已经选过了，因此这次就只能选取XU了，对XU进行分类，XU=1时为上右图第一行，XU=0时为上右图第二行。

4.  都满足了算法终止条件

按照上述的算法，我们建立了一个决策树，而且分类方式是如下的形式：

XT = 1:
|XU = 1:0

|XU = 0:1
XT = 0:1

所以如果现在有一条数据XT=1， XU=1.  那么按照上面的决策树就可以判断出类别是0

 

 

算法关键点：1. feature的选取方式（本文选取最大信息增益法， 采用信息熵进行计算）

　　　　　　2. 算法递归结束条件（feature用尽&子类完全属于一个类别）

1. feature选取：遍历每一个feature，对数据进行分类后计算信息增益，找到使信息增益最大的feature作为该节点的分类feature。如何计算的理论请看wiki信息熵

 　　

java代码：计算一批数据的信息量

    public double calEntropy(List<Map<String, String>> values) {
        double res = 0.0;
        Map<String, Integer> count = new HashMap<String, Integer>();
        for (Map<String, String> temp : values) {
            String key = temp.get("Class");
            count.put(key, (count.get(key) != null ? count.get(key) + 1 : 1));
        }
        int sum = values.size();
        for (Integer i : count.values()) {
            double p = i / (double) sum;
            res += -(p * Math.log(p) / Math.log(2.0));
        }
        return res;
    }

在有了计算数据信息量的方法后就可以对一批数据进行feature的选取了， 这里是采用选取最大信息增量的方法。

具体是：按照某个feature进行分类，分类之后分别计算子类的信息量，然后计算信息增益， 选取信息增益最大的分类。

    //for selection 
    private class SelectResult {
        public SelectResult() {
            type = null;
            currentFeature = null;
        }

        public Map<String, List<Map<String, String>>> type;
        public String currentFeature;
    }

    public SelectResult select(List<Map<String, String>> value) {
        SelectResult sr = new SelectResult();
        double min = Double.MAX_VALUE;
        for (String str : heads) {
            if (flags.get(str) == false) {
                Map<String, List<Map<String, String>>> tem = new HashMap<String, List<Map<String, String>>>();
                for (Map<String, String> temp : value) {
                    if (!tem.containsKey(temp.get(str))) {
                        tem.put(temp.get(str), new ArrayList<Map<String, String>>());
                    }
                    List<Map<String, String>> d = tem.get(temp.get(str));
                    d.add(temp);
                }
                //calEntropy;
                double sum = 0;
                int totalsize = value.size();
                for (List<Map<String, String>> t : tem.values()) {
                    sum += (t.size() / (double) totalsize) * calEntropy(t);
                }
                if (sum < min) {
                    min = sum;
                    sr.currentFeature = str;
                    sr.type = tem;
                }
            }
        }
        return sr;
    }

 

 

2.  算法终止：在递归的建立过程中，如何使算法进行终止：

　　

    public Node create(List<Map<String, String>> value) {
        Node root = new Node();
        double uncertain = calEntropy(value);
        SelectResult sr = select(value);
        //1. current feature == null means that run out of feature !
        //2. uncertain equals 0 means that we got a definitely pure class !
        if (sr.currentFeature != null && uncertain != 0) {
            root.featureName = sr.currentFeature;
            root.subNodes = new HashMap<String, Node>();
            flags.put(root.featureName, true);
            for (String t : sr.type.keySet()) {
                root.subNodes.put(t, create(sr.type.get(t)));
            }
            flags.put(root.featureName, false);
        } else {
            //the leaf node !!!
            root.value = getFinalType(value);
            root.end = true;
        }
        return root;
    }

---有个小问题是当feature用完后需要判断当前数据集的类型（因为已经不可再分了，必须得有一个类型）

    /**
     * if run out of features, then call this function to get the final class !
     * 
     * @param value
     * @return
     */
    private String getFinalType(List<Map<String, String>> value) {
        //choose the most common type as the final type !!
        Map<String, Integer> num = new HashMap<String, Integer>();
        for (Map<String, String> temp : value) {
            String z = temp.get("Class");
            num.put(z, num.get(z) != null ? num.get(z) + 1 : 1);
        }
        int max = -1;
        String maxv = "";
        for (Map.Entry<String, Integer> x : num.entrySet()) {
            if (x.getValue() > max) {
                max = x.getValue();
                maxv = x.getKey();
            }
        }
        return maxv;
    }

 

最后附上打印的代码决策树的代码。

    public void print(Node root, int level) {
        if (root.end == true) {
            System.out.println(root.value);
        } else {
            for (String temp : root.subNodes.keySet()) {
                tp(root.featureName, temp, level);
                print(root.subNodes.get(temp), level + 1);
            }
        }
    }

    private void tp(String f, String temp, int l) {
        if (l >= 1) {
            System.out.println("");
        }
        for (int i = 0; i < l; i++) {
            System.out.print("|");
        }
        System.out.print(f + " = " + temp + ":");
    }

 

　the end！