决策树（基于增益率）之python实现

柔情只为你懂 2023-06-02 09:12 15阅读 0赞

如图，为使用到的公式，信息熵表明样本的混乱程度，增益表示熵减少了，即样本开始分类，增益率是为了平衡增益准则对可取值较多的属性的偏好，同时增益率带来了对可取值偏小的属性的偏好，实际中，先用增益进行筛选，选取大于增益平均值的，然后再选取其中增益率最高的。

![1254945-20190930001754338-1882954161.jpg][]

以下代码纯粹手写，未参考其他人代码，如果问题，请不吝赐教。

1，计算信息熵的函数

import numpy as np
    # 计算信息熵
    # data:like np.array
    # data.shape=(num_data,data_features+1) 即属性与label放一起了
    def entropy(data,num_class):
        class_set=list(set(data[:,-1]))
        result=0
        length=len(data)
    #     这里修改一下，不使用num_class
        for i in range(len(class_set)):
            l=len(data[data[:,-1]==class_set[i]])
            p=l/length
            result-=p*np.log2(p)
        return result

2，计算增益及属性a的固有值（IV）

# 计算不同属性的信息增益
    # detail_features：特征构成的list，每个特征的可取值构成list元素，即也是list
    def calculate_gain(data,detail_features,num_class):
    　　'''返回各属性对应的信息增益及平均值'''
        result=[]
        ent_data=entropy(data,num_class)
        for i in range(len(detail_features)):
            res=ent_data
            for j in range(len(detail_features[i])):
                part_data=data[data[:,i]==detail_features[i][j]]
                length=len(part_data)
                res-=length*entropy(part_data,num_class)/len(data)
            result.append(res)
        return result,np.array(result).mean()
    # 计算某个属性的固有值
    def IVa(data,attr_index):
        attr_values=list(set(data[:,attr_index]))
        v=len(attr_values)
        res=0
        for i in range(v):
            part_data=data[data[:,attr_index]==attr_values[i]]
            p=len(part_data)/len(data)
            res-=p*np.log2(p)
        return res

3，构建节点类，以便构建树

class Node:
        def __init__(self,key,childs):
            self.childs=[]
            self.key=key
        def add_node(self,node):
            self.childs.append(node)

4，构建树

# 判断数据是否在所有属性的取值都一样，以致无法划分
    def same_data(data,attrs):
        for i in range(len(attrs)):
            if len(set(data[:,i]))>1:
                return False
        return True
    
    # attrs:属性的具体形式
    def create_tree(data,attrs,num_class,root):
    #     注意这里3个退出条件
        #     1，如果数据为空，不能划分，此时这个叶节点不知标记为哪个分类了
        if len(data)==0:
            return
    #   2，如果属性集为空，或所有样本在所有属性的取值相同，无法划分，返回样本最多的类别
        if len(attrs)==0 or same_data(data,attrs):
            class_set=list(set(data[:,-1]))
            max_len=0
            index=0
            for i in range(len(class_set)):
                if len(data[data[:,-1]==class_set[i]])>max_len:
                    max_len=len(data[data[:,-1]==class_set[i]])
                    index=i
            root.key=root.key+class_set[index]
            return 
    #     3，如果当前节点包含同一类的样本，无需划分
        if len(set(data[:,-1]))==1:
            root.key=root.key+data[0,-1]
            return
        ent=entropy(data,num_class)
        gain_result,mean=calculate_gain(data,attrs,num_class)
        max=0
        max_index=-1
    #     求增益率最大
        for i in range(len(gain_result)):
            if gain_result[i]>=mean:
                iva=IVa(data,i)
                if gain_result[i]/iva>max:
                    max=gain_result[i]/iva
                    max_index=i
        for j in range(len(attrs[max_index])):
            part_data=data[data[:,max_index]==attrs[max_index][j]]
    #         删除该列特征
            part_data=np.delete(part_data,max_index,axis=1)
    #         添加节点
            root.add_node(Node(key=attrs[max_index][j],childs=[]))
    #         删除某一类已判断属性
            new_attrs=attrs[0:max_index]
            new_attrs.extend(attrs[max_index+1:])
            create_tree(part_data,new_attrs,num_class,root.childs[j])

5，使用西瓜数据集2.0测试，数据这里就手写了，比较少

def createDataSet():
        """
        创建测试的数据集
        :return:
        """
        dataSet = [
            # 1
            ['青绿', '蜷缩', '浊响', '清晰', '凹陷', '硬滑', '好瓜'],
            # 2
            ['乌黑', '蜷缩', '沉闷', '清晰', '凹陷', '硬滑', '好瓜'],
            # 3
            ['乌黑', '蜷缩', '浊响', '清晰', '凹陷', '硬滑', '好瓜'],
            # 4
            ['青绿', '蜷缩', '沉闷', '清晰', '凹陷', '硬滑', '好瓜'],
            # 5
            ['浅白', '蜷缩', '浊响', '清晰', '凹陷', '硬滑', '好瓜'],
            # 6
            ['青绿', '稍蜷', '浊响', '清晰', '稍凹', '软粘', '好瓜'],
            # 7
            ['乌黑', '稍蜷', '浊响', '稍糊', '稍凹', '软粘', '好瓜'],
            # 8
            ['乌黑', '稍蜷', '浊响', '清晰', '稍凹', '硬滑', '好瓜'],
    
            # ----------------------------------------------------
            # 9
            ['乌黑', '稍蜷', '沉闷', '稍糊', '稍凹', '硬滑', '坏瓜'],
            # 10
            ['青绿', '硬挺', '清脆', '清晰', '平坦', '软粘', '坏瓜'],
            # 11
            ['浅白', '硬挺', '清脆', '模糊', '平坦', '硬滑', '坏瓜'],
            # 12
            ['浅白', '蜷缩', '浊响', '模糊', '平坦', '软粘', '坏瓜'],
            # 13
            ['青绿', '稍蜷', '浊响', '稍糊', '凹陷', '硬滑', '坏瓜'],
            # 14
            ['浅白', '稍蜷', '沉闷', '稍糊', '凹陷', '硬滑', '坏瓜'],
            # 15
            ['乌黑', '稍蜷', '浊响', '清晰', '稍凹', '软粘', '坏瓜'],
            # 16
            ['浅白', '蜷缩', '浊响', '模糊', '平坦', '硬滑', '坏瓜'],
            # 17
            ['青绿', '蜷缩', '沉闷', '稍糊', '稍凹', '硬滑', '坏瓜']
        ]
    
        # 特征值列表
        labels = ['色泽', '根蒂', '敲击', '纹理', '脐部', '触感']
    
        # 特征对应的所有可能的情况
        labels_full = []
    
        for i in range(len(labels)):
            items=[item[i] for item in dataSet]
            uniqueLabel = set(items)
            labels_full.append(list(uniqueLabel))
        return np.array(dataSet), labels, labels_full

6，开始构建树

dataset,labels,labels_full=createDataSet()
    
    root=Node('',[])
    create_tree(dataset, labels_full, 2, root)

7，打印树结构

def print_root(n,root):print(n,root.key)
        for node in root.childs:
            print_root(n+1,node)
    print_root(0,root)

打印结果为：数字表示层次

0 
    1 模糊坏瓜
    1 稍糊
    2 硬滑坏瓜
    2 软粘好瓜
    1 清晰
    2 硬滑好瓜
    2 软粘
    3 青绿
    4 稍蜷好瓜
    4 蜷缩
    4 硬挺坏瓜
    3 乌黑坏瓜
    3 浅白

8，绘制树形结构，这里我就手动绘制了。图中有2个叶节点为空白，即模型不知道该推测其为好瓜还是坏瓜。这里我暂时没有好的思路解决，只能随机处理？

![1254945-20190930003445547-1304609911.jpg][]

9，总结

首先，暂时没有添加predict函数。其次，这是个简陋版的实现，有很多待优化的地方，如连续值处理、缺失值处理、剪枝防止过拟合，树的创建使用的是递归（样本大导致栈溢出，改成队列实现较好），也有基于基尼指数的实现，还有多变量决策树（可实现复杂的分类边界）。

转载于:https://www.cnblogs.com/lunge-blog/p/11610661.html

[1254945-20190930001754338-1882954161.jpg]: /images/20230601/d67cd93ab97d4885a640adeef832dc18.png
[1254945-20190930003445547-1304609911.jpg]: /images/20230601/c8e93e38901d47d1bced49bc23620a86.png