day-7 sklearn库实现ID3决策树算法

 

　　本文介绍如何利用决策树/判定树（decision tree）中决策树归纳算法（ID3）解决机器学习中的回归问题。文中介绍基于有监督的学习方式，如何利用年龄、收入、身份、收入、信用等级等特征值来判定用户是否购买电脑的行为，最后利用python和sklearn库实现了该应用。

　　1、  决策树归纳算法（ID3）实例介绍

　　2、  如何利用python实现决策树归纳算法（ID3）

1、决策树归纳算法（ID3）实例介绍

　　首先介绍下算法基本概念，判定树是一个类似于流程图的树结构：其中，每个内部结点表示在一个属性上的测试，每个分支代表一个属性输出，而每个树叶结点代表类或类分布。树的最顶层是根结点。

　　决策树的优点： 直观，便于理解，小规模数据集有效    

　　决策树的缺点：处理连续变量不好，类别较多时，错误增加的比较快，可规模性一般

　　以如下测试数据为例：

 　　

　　我们有一组已知训练集数据，显示用户购买电脑行为与各个特征值的关系，我们可以绘制出如下决策树图像（绘制方法后面介绍） 

　　

　　此时，输入一个新的测试数据，就能根据该决策树很容易判定出用户是否购买电脑的行为。

　　有两个关键点需要考虑：1、如何决定分支终止；2如何决定各个节点的位置，例如根节点如何确定。

         1、如何决定分支终止

         如果某个节点所有标签均为同一类，我们将不再继续绘制分支，直接标记结果。或者分支过深，可以基于少数服从多数的算法，终止该分支直接绘制结果。

　　　

         例如，通过年龄划分，所有middle_aged对象，对应的标签都为yes，尽管还有其它特征值，例如收入、身份、信用等级等，但由于标签所有都为一类，所以该分支直接标注结果为yes，不再往下细分。

　　2、如何决定各个节点的位置，例如根节点如何确定。

　　在说明这个问题之前，我们先讨论一个熵的概，信息和抽象，如何度量？1948年，香农提出了 “信息熵(entropy)”的概念，一条信息的信息量大小和它的不确定性有直接的关系，要搞清楚一件非常非常不确定的事情，或者是我们一无所知的事情，需要了解大量信息==>信息量的度量就等于不确定性的多少

　　例子：猜世界杯冠军，假如一无所知，猜多少次？每个队夺冠的几率不是相等的，也就说明该信息熵较大。

　　当前样本集合 D 中第 k 类样本所占的比例为 pk ，则 D 的信息熵定义为

　　

　　离散属性 a 有 V 个可能的取值 {a1,a2,…,aV}；样本集合中，属性 a 上取值为 av 的样本集合，记为 Dv。用属性 a 对样本集 D 进行划分所获得的“信息增益”，表示得知属性 a 的信息而使得样本集合不确定度减少的程，公式如下：

　　

 

　　ID3算法首先计算各个特征向量的信息增益量，取最大的作为决策树的根，利用上面公式，以计算age年龄的信息增益量为例：

 　　

　　于是，我们选取age年龄作为决策树的根节点，依次画出最后的决策树，最后的算法如下：

• • 　　树以代表训练样本的单个结点开始（步骤1）。
  • 　　如果样本都在同一个类，则该结点成为树叶，并用该类标号（步骤2 和3）。
  • 　　否则，算法使用称为信息增益的基于熵的度量作为启发信息，选择能够最好地将样本分类的属性（步骤6）。该属性成为该结点的“测试”或“判定”属性（步骤7）。在算法的该版本中，
  • 　　所有的属性都是分类的，即离散值。连续属性必须离散化。
  • 　　对测试属性的每个已知的值，创建一个分枝，并据此划分样本（步骤8-10）。
  • 　　算法使用同样的过程，递归地形成每个划分上的样本判定树。一旦一个属性出现在一个结点上，就不必该结点的任何后代上考虑它（步骤13）。
  • 　　递归划分步骤仅当下列条件之一成立停止：
  • 　　(a) 给定结点的所有样本属于同一类（步骤2 和3）。
  • 　　(b) 没有剩余属性可以用来进一步划分样本（步骤4）。在此情况下，使用多数表决（步骤5）。
  • 　　这涉及将给定的结点转换成树叶，并用样本中的多数所在的类标记它。替换地，可以存放结
  • 点样本的类分布。
  • 　　(c) 分枝
  • 　　test_attribute = a i 没有样本（步骤11）。在这种情况下，以 samples 中的多数类
  • 　　创建一个树叶（步骤12）

 

　　除了ID3算法，还有一些其它算法可以用来绘制决策树，此处暂不讨论，例如：C4.5:  Quinlan，Classification and Regression Trees (CART): (L. Breiman, J. Friedman, R. Olshen, C. Stone)。共同点：都是贪心算法，自上而下(Top-down approach)。区别：属性选择度量方法不同： C4.5 （gain ratio), CART(gini index), ID3 (Information Gain)

2、  如何利用python实现决策树归纳算法（ID3）

　　用Python实现上面实例前，我们需要先安装一个科学库Anaconda，anaconda指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。

　　同时，还需要安装一个决策树图形绘制工具graphviz

　　下面是具体的代码实现

# 导入库
from sklearn.feature_extraction import DictVectorizer
import csv
from sklearn import tree
from sklearn import preprocessing
from sklearn.externals.six import StringIO
import math

# 测试，没有age时的信息熵
result = -(5/14*math.log2(5/14) + 9/14*math.log2(9/14))
print(result)

#测试，有age时的信息熵
result1 = 5/14*(-3/5*math.log2(3/5) - 2/5*math.log(2/5)) + 4/14*(-4/4*math.log2(4/4)) + 5/14*(-3/5*math.log2(3/5) - 2/5*math.log2(2/5))
print(result1)

# 1 打开测试数据集
allElectronicsData = open(r'D:\test.csv','r')
reader = csv.reader(allElectronicsData)
# 读取文件头
headers = next(reader)
#print(headers)

featureList = []
labelList = []

# 2 为每个测试样例，建立一个特征名和值的字典，然后加入到featureList中
for row in reader:
    labelList.append(row[len(row) -1])
    rowDict = {}
    for i in range(1,len(row) -1):
        rowDict[headers[i]] = row[i]
    featureList.append(rowDict)
print(labelList)
print(featureList)

# 3 把输入特征集进行转换，例如
'''
{'age': 'youth', 'income': 'high', 'student': 'no', 'credit_rating': 'fair'}
[ 0.  0.  1.  0.  1.  1.  0.  0.  1.  0.]
'''
vec = DictVectorizer()
dummyX = vec.fit_transform(featureList).toarray()
#print(type(dummyX))
print(dummyX)
#print(vec.get_feature_names())

# 4 对标签值进行0，1转换
lb = preprocessing.LabelBinarizer()
dummyY = lb.fit_transform(labelList)
print(dummyY)

# 5 直接调用库的决策树分类器，entropy表示信息熵
clf = tree.DecisionTreeClassifier(criterion='entropy')
clf = clf.fit(dummyX,dummyY)
#print(clf)

# 6 填入feature_names，还原原有的值，写入test.dot文件
with open("test.dot",'w') as f:
    f = tree.export_graphviz(clf,feature_names=vec.get_feature_names(),out_file=f)

# 7 此时dumyX为一个n维的向量，取出第一行，修改一下作为一个新的测试数据
# 'age': 'middle_aged', 'income': 'high', 'student': 'no', 'credit_rating': 'fair' 正确结果应该是 买 为1
oneRowX = dummyX[0,:]
print("oneRowX:  ",oneRowX)
newRowX = oneRowX
newRowX[0] = 1
newRowX[2] = 0
print(newRowX)

# 8 使用新数据进行测试验证
predictedY = clf.predict(newRowX.reshape(1, -1))
print(predictedY)

# 使用graphviz工具，通过命令dot -Tpdf test.dot -o output.pdf生成决策树文档