网上的内容感觉又多又乱，自己写一篇决策树算法。希望对别人有所启发，对自己也是一种进步。
决策树 须知概念
信息熵 & 信息增益
熵： 熵（entropy）指的是体系的混乱的程度，在不同的学科中也有引申出的更为具体的定义，是各领域十分重要的参量。
信息熵（香农熵）： 是一种信息的度量方式，表示信息的混乱程度，也就是说：信息越有序，信息熵越低。例如：火柴有序放在火柴盒里，熵值很低，相反，熵值很高。
信息增益： 在划分数据集前后信息发生的变化称为信息增益。
决策树 开发流程
- 收集数据：可以使用任何方法。
- 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。
- 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。
- 训练算法：构造树的数据结构。
- 测试算法：使用经验树计算错误率。（经验树没有搜索到较好的资料，有兴趣的同学可以来补充）
- 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地理解数据的内在含义
决策树 算法特点
- 优点：计算复杂不高。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：可能会产生过度匹配问题。（就是我们所说的过拟合，通过裁剪决策树，合并相邻的无法产生大量信息增益的叶节点，消除过度匹配）
- 适用数据类型，数值型（连续）和标称型（离散）。。。。一般用作标称
还有其他的决策树算法。最流行的是C4.5和CART。那为什么要学ID3呢？因为它简单呀。。。（简单的都折腾了半天。。。）
项目案例1: 判定鱼类和非鱼类
根据以下两个特征，将动物分成鱼类和非鱼类
整个代码的模块化：
1.输入数据
def createDataSet(): """ Desc: 创建数据集 Args: 无需传入参数 Returns: 返回数据集和对应的label标签 """ # dataSet 前两列是特征，最后一列对应的是每条数据对应的分类标签 dataSet = [[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']] labels = ['no surfacing', 'flippers'] return dataSet, labels
2.计算香农熵
def calcShannonEnt(dataSet): """ Desc： calculate Shannon entropy -- 计算给定数据集的香农熵 Args: dataSet -- 数据集 Returns: shannonEnt -- 返回 每一组 feature 下的某个分类下，香农熵的信息期望 """ # -----------计算香农熵的第一种实现方式start---------------------------------------------- # 求list的长度，表示计算参与训练的数据量 numEntries = len(dataSet) # 下面输出我们测试的数据集的一些信息 # 例如：numEntries: 5 是下面的代码的输出 # print(type(dataSet), 'numEntries: ', numEntries) # 计算分类标签label出现的次数 labelCounts = {} # the the number of unique elements and their occurance for featVec in dataSet: # 将当前实例的标签存储，即每一行数据的最后一个数据代表的是标签 currentLabel = featVec[-1] # 为所有可能的分类创建字典，如果当前的键值不存在，则扩展字典并将当前键值加入字典。每个键值都记录了当前类别出现的次数 if currentLabel not in labelCounts.keys(): labelCounts[currentLabel] = 0 labelCounts[currentLabel] += 1 # 对于label标签的占比，求出label标签的香农熵 shannonEnt = 0.0 for key in labelCounts: # 使用所有类标签的发生频率计算类别出现的概率 prob = float(labelCounts[key])/numEntries # 计算香农熵，以 2 为底求对数 shannonEnt -= prob * log(prob, 2) # -----------计算香农熵的第一种实现方式end------------------------------------------------ # # -----------计算香农熵的第二种实现方式start-------------------------------------------- # # 统计标签出现的次数 # label_count = Counter(data[-1] for data in dataSet) # # 计算概率 # probs = [p[1] / len(dataSet) for p in label_count.items()] # # 计算香农熵 # shannonEnt = sum([-p * log(p, 2) for p in probs]) # # -----------计算香农熵的第二种实现方式end---------------------------------------------- return shannonEnt
3. 按照给定特征划分数据集
将给定特征的特征值等于value的行剩下列作为子数据集
def splitDataSet(dataSet, index, value): """ Desc： 划分数据集 splitDataSet(通过遍历dataSet数据集，求出index对应的colnum列的值为value的行) 就是依据index列进行分类，如果index列的数据等于 value的时候，就要将 index 划分到我们创建的新的数据集中 Args: dataSet -- 数据集 带划分的数据集 index -- 表示每行的index列 划分数据集的特征 value -- 表示index列对应的value值 需要返回的特征的值 Returns: index 列为 value 的数据集【该数据集需要排除index列】 """ # -----------切分数据集的第一种方式 start------------------------------------ retDataSet = [] for featVec in dataSet: # index列为value的数据集【该数据集需要排除index列】 # 判断index列的值是否为value if featVec[index] == value: # chop out index used for splitting # [:index]表示前index行，即若 index 为2，就是取 featVec 的前 index 行 reduceFeatVec = featVec[:index] reduceFeatVec.extend(featVec[index+1:]) # [index+1:]表示从跳过 index 的 index+1行，取接下来的数据 # 收集结果值 index列为value的行【该行需要排除index列】 retDataSet.append(reduceFeatVec) # -----------切分数据集的第一种方式 end------------------------------------ # # -----------切分数据集的第二种方式 start------------------------------------ # retDataSet = [data[:index] + data[index + 1:] for data in dataSet for i, v in enumerate(data) if i == index and v == value] # # -----------切分数据集的第二种方式 end------------------------------------ return retDataSet
4. 选择最好的数据集划分方式
def chooseBestFeatureToSplit(dataSet): """ Desc: 选择切分数据集的最佳特征 Args: dataSet -- 需要切分的数据集 Returns: bestFeature -- 切分数据集的最优的特征列 """ # 求第一行有多少列的 Feature, 最后一列是label列嘛 numFeatures = len(dataSet[0]) - 1 # label的信息熵 baseEntropy = calcShannonEnt(dataSet) # 最优的信息增益值, 和最优的Featurn编号 bestInfoGain, bestFeature = 0.0, -1 for i in range(numFeatures): # create a list of all the examples of this feature # 获取每一个实例的第i+1个feature，组成list集合 featList = [example[i] for example in dataSet] # get a set of unique values # 获取剔重后的集合，使用set对list数据进行去重 uniqueVals = set(featList) # 创建一个临时的信息熵 newEntropy = 0.0 # 遍历某一列的value集合，计算该列的信息熵 # 遍历当前特征中的所有唯一属性值，对每个唯一属性值划分一次数据集，计算数据集的新熵值，并对所有唯一特征值得到的熵求和 for value in uniqueVals: subDataSet = splitDataSet(dataSet, i, value) prob = len(subDataSet)/float(len(dataSet)) newEntropy += prob * calcShannonEnt(subDataSet) # gain[信息增益]: 划分数据集前后的信息变化， 获取信息熵最大的值 # 信息增益是熵的减少或者是数据无序度的减少。最后，比较所有特征中的信息增益，返回最好特征划分的索引值。 infoGain = baseEntropy - newEntropy print('infoGain = ', 'bestFeature=', i, baseEntropy, newEntropy) if (infoGain > bestInfoGain): bestInfoGain = infoGain bestFeature = i return bestFeature 5. 利用operator操作键值排序字典，并返回出现次数最多的分类名称
def majorityCnt(classList): """ Desc: 选择出现次数最多的一个结果 Args: classList label列的集合 Returns: bestFeature 最优的特征列 """ classCount = {} for vote in classList: if vote not in classCount.keys(): classCount[vote] = 0 classCount[vote] += 1 # 倒叙排列classCount得到一个字典集合，然后取出第一个就是结果（yes/no），即出现次数最多的结果 sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True) return sortedClassCount[0][0] 6. 创建决策树
def createTree(dataSet, labels): """ Desc: 创建决策树 Args: dataSet -- 要创建决策树的训练数据集 labels -- 训练数据集中特征对应的含义的labels，不是目标变量 Returns: myTree -- 创建完成的决策树 """ classList = [example[-1] for example in dataSet] # 如果数据集的最后一列的第一个值出现的次数=整个集合的数量，也就说只有一个类别，就只直接返回结果就行 # 第一个停止条件：所有的类标签完全相同，则直接返回该类标签。 # count() 函数是统计括号中的值在list中出现的次数 if classList.count(classList[0]) == len(classList): return classList[0] # 如果数据集只有1列，那么最初出现label次数最多的一类，作为结果 # 第二个停止条件：使用完了所有特征，仍然不能将数据集划分成仅包含唯一类别的分组。 if len(dataSet[0]) == 1: return majorityCnt(classList) # 选择最优的列，得到最优列对应的label含义 bestFest = chooseBestFeatureToSplit(dataSet) # 获取label的名称 bestFestLabel = labels[bestFest] # 初始化myTree myTree = {bestFestLabel: {}} # 注：labels列表是可变对象，在PYTHON函数中作为参数时传址引用，能够被全局修改 # 所以这行代码导致函数外的同名变量被删除了元素，造成例句无法执行，提示'no surfacing' is not in list del(labels[bestFest]) # 取出最优列，然后它的branch做分类 featValues = [example[bestFest] for example in dataSet] uniqueVals = set(featValues) for value in uniqueVals: # 求出剩余的标签label subLabels = labels[:] # 遍历当前选择特征包含的所有属性值，在每个数据集划分上递归调用函数createTree() myTree[bestFestLabel][value] = createTree(splitDataSet(dataSet, bestFest, value), subLabels) return myTree 7. 使用决策树的分类函数
def classify(inputTree, featLabels, testVec): """ Desc: 对新数据进行分类 Args: inputTree -- 已经训练好的决策树模型 featLabels -- Feature标签对应的名称，不是目标变量 testVec -- 测试输入的数据 Returns: classLabel -- 分类的结果值，需要映射label才能知道名称 """ # 获取tree的根节点对于的key值 firstStr = list(inputTree.keys())[0] # 通过key得到根节点对应的value secondDict = inputTree[firstStr] # 判断根节点名称获取根节点在label中的先后顺序，这样就知道输入的testVec怎么开始对照树来做分类 featIndex = featLabels.index(firstStr) # 测试数据，找到根节点对应的label位置，也就知道从输入的数据的第几位来开始分类 key = testVec[featIndex] valueOfFeat = secondDict[key] print('+++', firstStr, 'xxx', secondDict, '---', key, '>>>', valueOfFeat) # 测试数据，找到根节点对应的label位置，也就知道从输入的数据的第几位来开始分类 if isinstance(valueOfFeat, dict): classLabel=classify(valueOfFeat, featLabels, testVec) else: classLabel = valueOfFeat return classLabel 8. 使用pickle模块存储决策树
def storeTree(inputTree, filename): """ Desc: 将之前训练好的决策树模型存储起来，使用 pickle 模块 Args: inputTree -- 以前训练好的决策树模型 filename -- 要存储的名称 Returns: None """ # -------------- 第一种方法 start -------------- fw = open(filename, 'wb') pickle.dump(inputTree, fw) fw.close()def grabTree(filename): """ Desc: 将之前存储的决策树模型使用 pickle 模块 还原出来 Args: filename -- 之前存储决策树模型的文件名 Returns: pickle.load(fr) -- 将之前存储的决策树模型还原出来 """ fr = open(filename, 'rb') return pickle.load(fr)
9. 测试模块
def fishTest(): """ Desc: 对动物是否是鱼类分类的测试函数，并将结果使用 matplotlib 画出来 Args: None Returns: None """ # 1.创建数据和结果标签 myDat, labels = createDataSet() # print(myDat, labels) # 计算label分类标签的香农熵 # calcShannonEnt(myDat) # # 求第0列 为 1/0的列的数据集【排除第0列】 # print('1---', splitDataSet(myDat, 0, 1)) # print('0---', splitDataSet(myDat, 0, 0)) # # 计算最好的信息增益的列 # print(chooseBestFeatureToSplit(myDat)) import copy myTree = createTree(myDat, copy.deepcopy(labels)) print(myTree) # [1, 1]表示要取的分支上的节点位置，对应的结果值 print(classify(myTree, labels, [1, 1])) # 画图可视化展现 #dtPlot.createPlot(myTree) createPlot(myTree)if __name__ == "__main__": fishTest() 10. 至此决策树就完成了，但是我们还有一个决策树绘制模块没写--决策树绘制模块
# 定义文本框 和 箭头格式 【 sawtooth 波浪方框, round4 矩形方框 , fc表示字体颜色的深浅 0.1~0.9 依次变浅，没错是变浅】decisionNode = dict(boxstyle="sawtooth", fc="0.8")leafNode = dict(boxstyle="round4", fc="0.8")arrow_args = dict(arrowstyle="<-")def getNumLeafs(myTree): numLeafs = 0 firstStr = list(myTree.keys())[0] secondDict = myTree[firstStr] # 根节点开始遍历 for key in secondDict.keys(): # 判断子节点是否为dict, 不是+1 if type(secondDict[key]) is dict: numLeafs += getNumLeafs(secondDict[key]) else: numLeafs += 1 return numLeafsdef getTreeDepth(myTree): maxDepth = 0 firstStr = list(myTree.keys())[0] secondDict = myTree[firstStr] # 根节点开始遍历 for key in secondDict.keys(): # 判断子节点是不是dict, 求分枝的深度 # ----------写法1 start --------------- if type(secondDict[key]) is dict: thisDepth = 1 + getTreeDepth(secondDict[key]) else: thisDepth = 1 # ----------写法1 end --------------- # ----------写法2 start -------------- # thisDepth = 1 + getTreeDepth(secondDict[key]) if type(secondDict[key]) is dict else 1 # ----------写法2 end -------------- # 记录最大的分支深度 maxDepth = max(maxDepth, thisDepth) return maxDepthdef plotNode(nodeTxt, centerPt, parentPt, nodeType): createPlot.ax1.annotate(nodeTxt, xy=parentPt, xycoords='axes fraction', xytext=centerPt, textcoords='axes fraction', va="center", ha="center", bbox=nodeType, arrowprops=arrow_args)def plotMidText(cntrPt, parentPt, txtString): xMid = (parentPt[0] - cntrPt[0]) / 2 + cntrPt[0] yMid = (parentPt[1] - cntrPt[1]) / 2 + cntrPt[1] createPlot.ax1.text(xMid, yMid, txtString, va="center", ha="center", rotation=30)def plotTree(myTree, parentPt, nodeTxt): # 获取叶子节点的数量 numLeafs = getNumLeafs(myTree) # 获取树的深度 # depth = getTreeDepth(myTree) # 找出第1个中心点的位置，然后与 parentPt定点进行划线 cntrPt = (plotTree.xOff + (1 + numLeafs) / 2 / plotTree.totalW, plotTree.yOff) # print(cntrPt) # 并打印输入对应的文字 plotMidText(cntrPt, parentPt, nodeTxt) firstStr = list(myTree.keys())[0] # 可视化Node分支点 plotNode(firstStr, cntrPt, parentPt, decisionNode) # 根节点的值 secondDict = myTree[firstStr] # y值 = 最高点-层数的高度[第二个节点位置] plotTree.yOff = plotTree.yOff - 1 / plotTree.totalD for key in secondDict.keys(): # 判断该节点是否是Node节点 if type(secondDict[key]) is dict: # 如果是就递归调用[recursion] plotTree(secondDict[key], cntrPt, str(key)) else: # 如果不是，就在原来节点一半的地方找到节点的坐标 plotTree.xOff = plotTree.xOff + 1 / plotTree.totalW # 可视化该节点位置 plotNode(secondDict[key], (plotTree.xOff, plotTree.yOff), cntrPt, leafNode) # 并打印输入对应的文字 plotMidText((plotTree.xOff, plotTree.yOff), cntrPt, str(key)) plotTree.yOff = plotTree.yOff + 1 / plotTree.totalDdef createPlot(inTree): # 创建一个figure的模版 fig = plt.figure(1, facecolor='green') fig.clf() axprops = dict(xticks=[], yticks=[]) # 表示创建一个1行，1列的图，createPlot.ax1 为第 1 个子图， createPlot.ax1 = plt.subplot(111, frameon=False, **axprops) plotTree.totalW = float(getNumLeafs(inTree)) plotTree.totalD = float(getTreeDepth(inTree)) # 半个节点的长度 plotTree.xOff = -0.5 / plotTree.totalW plotTree.yOff = 1.0 plotTree(inTree, (0.5, 1.0), '') plt.show()# 测试数据集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]myTree = retrieveTree(1)createPlot(myTree) 结果如下图： 全部代码如下所示：
"""created on 2018-9-21Updated on 2018-9-21KNN : 决策树"""import matplotlibimport operatorfrom math import logfrom collections import Counterimport pickleimport matplotlib.pyplot as pltdef createDataSet(): """ Desc: 创建数据集 Args: 无需传入参数 Returns: 返回数据集和对应的label标签 """ # dataSet 前两列是特征，最后一列对应的是每条数据对应的分类标签 dataSet = [[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']] labels = ['no surfacing', 'flippers'] return dataSet, labelsdef calcShannonEnt(dataSet): """ Desc： calculate Shannon entropy -- 计算给定数据集的香农熵 Args: dataSet -- 数据集 Returns: shannonEnt -- 返回 每一组 feature 下的某个分类下，香农熵的信息期望 """ # -----------计算香农熵的第一种实现方式start---------------------------------------------- # 求list的长度，表示计算参与训练的数据量 numEntries = len(dataSet) # 下面输出我们测试的数据集的一些信息 # 例如：numEntries: 5 是下面的代码的输出 # print(type(dataSet), 'numEntries: ', numEntries) # 计算分类标签label出现的次数 labelCounts = {} # the the number of unique elements and their occurance for featVec in dataSet: # 将当前实例的标签存储，即每一行数据的最后一个数据代表的是标签 currentLabel = featVec[-1] # 为所有可能的分类创建字典，如果当前的键值不存在，则扩展字典并将当前键值加入字典。每个键值都记录了当前类别出现的次数 if currentLabel not in labelCounts.keys(): labelCounts[currentLabel] = 0 labelCounts[currentLabel] += 1 # 对于label标签的占比，求出label标签的香农熵 shannonEnt = 0.0 for key in labelCounts: # 使用所有类标签的发生频率计算类别出现的概率 prob = float(labelCounts[key])/numEntries # 计算香农熵，以 2 为底求对数 shannonEnt -= prob * log(prob, 2) # -----------计算香农熵的第一种实现方式end------------------------------------------------ # # -----------计算香农熵的第二种实现方式start-------------------------------------------- # # 统计标签出现的次数 # label_count = Counter(data[-1] for data in dataSet) # # 计算概率 # probs = [p[1] / len(dataSet) for p in label_count.items()] # # 计算香农熵 # shannonEnt = sum([-p * log(p, 2) for p in probs]) # # -----------计算香农熵的第二种实现方式end---------------------------------------------- return shannonEntdef splitDataSet(dataSet, index, value): """ Desc： 划分数据集 splitDataSet(通过遍历dataSet数据集，求出index对应的colnum列的值为value的行) 就是依据index列进行分类，如果index列的数据等于 value的时候，就要将 index 划分到我们创建的新的数据集中 Args: dataSet -- 数据集 带划分的数据集 index -- 表示每行的index列 划分数据集的特征 value -- 表示index列对应的value值 需要返回的特征的值 Returns: index 列为 value 的数据集【该数据集需要排除index列】 """ # -----------切分数据集的第一种方式 start------------------------------------ retDataSet = [] for featVec in dataSet: # index列为value的数据集【该数据集需要排除index列】 # 判断index列的值是否为value if featVec[index] == value: # chop out index used for splitting # [:index]表示前index行，即若 index 为2，就是取 featVec 的前 index 行 reduceFeatVec = featVec[:index] reduceFeatVec.extend(featVec[index+1:]) # [index+1:]表示从跳过 index 的 index+1行，取接下来的数据 # 收集结果值 index列为value的行【该行需要排除index列】 retDataSet.append(reduceFeatVec) # -----------切分数据集的第一种方式 end------------------------------------ # # -----------切分数据集的第二种方式 start------------------------------------ # retDataSet = [data[:index] + data[index + 1:] for data in dataSet for i, v in enumerate(data) if i == index and v == value] # # -----------切分数据集的第二种方式 end------------------------------------ return retDataSetdef chooseBestFeatureToSplit(dataSet): """ Desc: 选择切分数据集的最佳特征 Args: dataSet -- 需要切分的数据集 Returns: bestFeature -- 切分数据集的最优的特征列 """ # -----------选择最优特征的第一种方式 start------------------------------------ # 求第一行有多少列的 Feature, 最后一列是label列嘛 numFeatures = len(dataSet[0]) - 1 # label的信息熵 baseEntropy = calcShannonEnt(dataSet) # 最优的信息增益值, 和最优的Featurn编号 bestInfoGain, bestFeature = 0.0, -1 for i in range(numFeatures): # create a list of all the examples of this feature # 获取每一个实例的第i+1个feature，组成list集合 featList = [example[i] for example in dataSet] # get a set of unique values # 获取剔重后的集合，使用set对list数据进行去重 uniqueVals = set(featList) # 创建一个临时的信息熵 newEntropy = 0.0 # 遍历某一列的value集合，计算该列的信息熵 # 遍历当前特征中的所有唯一属性值，对每个唯一属性值划分一次数据集，计算数据集的新熵值，并对所有唯一特征值得到的熵求和 for value in uniqueVals: subDataSet = splitDataSet(dataSet, i, value) prob = len(subDataSet)/float(len(dataSet)) newEntropy += prob * calcShannonEnt(subDataSet) # gain[信息增益]: 划分数据集前后的信息变化， 获取信息熵最大的值 # 信息增益是熵的减少或者是数据无序度的减少。最后，比较所有特征中的信息增益，返回最好特征划分的索引值。 infoGain = baseEntropy - newEntropy print('infoGain = ', 'bestFeature=', i, baseEntropy, newEntropy) if (infoGain > bestInfoGain): bestInfoGain = infoGain bestFeature = i return bestFeature # -----------选择最优特征的第一种方式 end------------------------------------ # # -----------选择最优特征的第二种方式 start------------------------------------ # # 计算初始香农熵 # base_entropy = calcShannonEnt(dataSet) # best_info_gain = 0 # best_feature = -1 # # 遍历每一个特征 # for i in range(len(dataSet[0]) - 1): # # 对当前特征进行统计 # feature_count = Counter([data[i] for data in dataSet]) # # 计算分割后的香农熵 # new_entropy = sum(feature[1] / float(len(dataSet)) * calcShannonEnt(splitDataSet(dataSet, i, feature[0])) \ # for feature in feature_count.items()) # # 更新值 # info_gain = base_entropy - new_entropy # print('No. {0} feature info gain is {1:.3f}'.format(i, info_gain)) # if info_gain > best_info_gain: # best_info_gain = info_gain # best_feature = i # return best_feature # # -----------选择最优特征的第二种方式 end------------------------------------def majorityCnt(classList): """ Desc: 选择出现次数最多的一个结果 Args: classList label列的集合 Returns: bestFeature 最优的特征列 """ # -----------majorityCnt的第一种方式 start------------------------------------ classCount = {} for vote in classList: if vote not in classCount.keys(): classCount[vote] = 0 classCount[vote] += 1 # 倒叙排列classCount得到一个字典集合，然后取出第一个就是结果（yes/no），即出现次数最多的结果 sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True) return sortedClassCount[0][0] # -----------majorityCnt的第一种方式 end------------------------------------ # # -----------majorityCnt的第二种方式 start------------------------------------ # major_label = Counter(classList).most_common(1)[0] # return major_label # # -----------majorityCnt的第二种方式 end------------------------------------def createTree(dataSet, labels): """ Desc: 创建决策树 Args: dataSet -- 要创建决策树的训练数据集 labels -- 训练数据集中特征对应的含义的labels，不是目标变量 Returns: myTree -- 创建完成的决策树 """ classList = [example[-1] for example in dataSet] # 如果数据集的最后一列的第一个值出现的次数=整个集合的数量，也就说只有一个类别，就只直接返回结果就行 # 第一个停止条件：所有的类标签完全相同，则直接返回该类标签。 # count() 函数是统计括号中的值在list中出现的次数 if classList.count(classList[0]) == len(classList): return classList[0] # 如果数据集只有1列，那么最初出现label次数最多的一类，作为结果 # 第二个停止条件：使用完了所有特征，仍然不能将数据集划分成仅包含唯一类别的分组。 if len(dataSet[0]) == 1: return majorityCnt(classList) # 选择最优的列，得到最优列对应的label含义 bestFest = chooseBestFeatureToSplit(dataSet) # 获取label的名称 bestFestLabel = labels[bestFest] # 初始化myTree myTree = {bestFestLabel: {}} # 注：labels列表是可变对象，在PYTHON函数中作为参数时传址引用，能够被全局修改 # 所以这行代码导致函数外的同名变量被删除了元素，造成例句无法执行，提示'no surfacing' is not in list del(labels[bestFest]) # 取出最优列，然后它的branch做分类 featValues = [example[bestFest] for example in dataSet] uniqueVals = set(featValues) for value in uniqueVals: # 求出剩余的标签label subLabels = labels[:] # 遍历当前选择特征包含的所有属性值，在每个数据集划分上递归调用函数createTree() myTree[bestFestLabel][value] = createTree(splitDataSet(dataSet, bestFest, value), subLabels) return myTreedef classify(inputTree, featLabels, testVec): """ Desc: 对新数据进行分类 Args: inputTree -- 已经训练好的决策树模型 featLabels -- Feature标签对应的名称，不是目标变量 testVec -- 测试输入的数据 Returns: classLabel -- 分类的结果值，需要映射label才能知道名称 """ # 获取tree的根节点对于的key值 firstStr = list(inputTree.keys())[0] # 通过key得到根节点对应的value secondDict = inputTree[firstStr] # 判断根节点名称获取根节点在label中的先后顺序，这样就知道输入的testVec怎么开始对照树来做分类 featIndex = featLabels.index(firstStr) # 测试数据，找到根节点对应的label位置，也就知道从输入的数据的第几位来开始分类 key = testVec[featIndex] valueOfFeat = secondDict[key] print('+++', firstStr, 'xxx', secondDict, '---', key, '>>>', valueOfFeat) # 测试数据，找到根节点对应的label位置，也就知道从输入的数据的第几位来开始分类 if isinstance(valueOfFeat, dict): classLabel=classify(valueOfFeat, featLabels, testVec) else: classLabel = valueOfFeat return classLabeldef storeTree(inputTree, filename): """ Desc: 将之前训练好的决策树模型存储起来，使用 pickle 模块 Args: inputTree -- 以前训练好的决策树模型 filename -- 要存储的名称 Returns: None """ # -------------- 第一种方法 start -------------- fw = open(filename, 'wb') pickle.dump(inputTree, fw) fw.close()def grabTree(filename): """ Desc: 将之前存储的决策树模型使用 pickle 模块 还原出来 Args: filename -- 之前存储决策树模型的文件名 Returns: pickle.load(fr) -- 将之前存储的决策树模型还原出来 """ fr = open(filename, 'rb') return pickle.load(fr)# 定义文本框 和 箭头格式 【 sawtooth 波浪方框, round4 矩形方框 , fc表示字体颜色的深浅 0.1~0.9 依次变浅，没错是变浅】decisionNode = dict(boxstyle="sawtooth", fc="0.8")leafNode = dict(boxstyle="round4", fc="0.8")arrow_args = dict(arrowstyle="<-")def getNumLeafs(myTree): numLeafs = 0 firstStr = list(myTree.keys())[0] secondDict = myTree[firstStr] # 根节点开始遍历 for key in secondDict.keys(): # 判断子节点是否为dict, 不是+1 if type(secondDict[key]) is dict: numLeafs += getNumLeafs(secondDict[key]) else: numLeafs += 1 return numLeafsdef getTreeDepth(myTree): maxDepth = 0 firstStr = list(myTree.keys())[0] secondDict = myTree[firstStr] # 根节点开始遍历 for key in secondDict.keys(): # 判断子节点是不是dict, 求分枝的深度 # ----------写法1 start --------------- if type(secondDict[key]) is dict: thisDepth = 1 + getTreeDepth(secondDict[key]) else: thisDepth = 1 # ----------写法1 end --------------- # ----------写法2 start -------------- # thisDepth = 1 + getTreeDepth(secondDict[key]) if type(secondDict[key]) is dict else 1 # ----------写法2 end -------------- # 记录最大的分支深度 maxDepth = max(maxDepth, thisDepth) return maxDepthdef plotNode(nodeTxt, centerPt, parentPt, nodeType): createPlot.ax1.annotate(nodeTxt, xy=parentPt, xycoords='axes fraction', xytext=centerPt, textcoords='axes fraction', va="center", ha="center", bbox=nodeType, arrowprops=arrow_args)def plotMidText(cntrPt, parentPt, txtString): xMid = (parentPt[0] - cntrPt[0]) / 2 + cntrPt[0] yMid = (parentPt[1] - cntrPt[1]) / 2 + cntrPt[1] createPlot.ax1.text(xMid, yMid, txtString, va="center", ha="center", rotation=30)def plotTree(myTree, parentPt, nodeTxt): # 获取叶子节点的数量 numLeafs = getNumLeafs(myTree) # 获取树的深度 # depth = getTreeDepth(myTree) # 找出第1个中心点的位置，然后与 parentPt定点进行划线 cntrPt = (plotTree.xOff + (1 + numLeafs) / 2 / plotTree.totalW, plotTree.yOff) # print(cntrPt) # 并打印输入对应的文字 plotMidText(cntrPt, parentPt, nodeTxt) firstStr = list(myTree.keys())[0] # 可视化Node分支点 plotNode(firstStr, cntrPt, parentPt, decisionNode) # 根节点的值 secondDict = myTree[firstStr] # y值 = 最高点-层数的高度[第二个节点位置] plotTree.yOff = plotTree.yOff - 1 / plotTree.totalD for key in secondDict.keys(): # 判断该节点是否是Node节点 if type(secondDict[key]) is dict: # 如果是就递归调用[recursion] plotTree(secondDict[key], cntrPt, str(key)) else: # 如果不是，就在原来节点一半的地方找到节点的坐标 plotTree.xOff = plotTree.xOff + 1 / plotTree.totalW # 可视化该节点位置 plotNode(secondDict[key], (plotTree.xOff, plotTree.yOff), cntrPt, leafNode) # 并打印输入对应的文字 plotMidText((plotTree.xOff, plotTree.yOff), cntrPt, str(key)) plotTree.yOff = plotTree.yOff + 1 / plotTree.totalDdef createPlot(inTree): # 创建一个figure的模版 fig = plt.figure(1, facecolor='green') fig.clf() axprops = dict(xticks=[], yticks=[]) # 表示创建一个1行，1列的图，createPlot.ax1 为第 1 个子图， createPlot.ax1 = plt.subplot(111, frameon=False, **axprops) plotTree.totalW = float(getNumLeafs(inTree)) plotTree.totalD = float(getTreeDepth(inTree)) # 半个节点的长度 plotTree.xOff = -0.5 / plotTree.totalW plotTree.yOff = 1.0 plotTree(inTree, (0.5, 1.0), '') plt.show()# # 测试画图# def createPlot():# fig = plt.figure(1, facecolor='white')# fig.clf()# # ticks for demo puropses# createPlot.ax1 = plt.subplot(111, frameon=False)# plotNode('a decision node', (0.5, 0.1), (0.1, 0.5), decisionNode)# plotNode('a leaf node', (0.8, 0.1), (0.3, 0.8), leafNode)# plt.show()# 测试数据集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]# myTree = retrieveTree(1)# createPlot(myTree)def fishTest(): """ Desc: 对动物是否是鱼类分类的测试函数，并将结果使用 matplotlib 画出来 Args: None Returns: None """ # 1.创建数据和结果标签 myDat, labels = createDataSet() import copy myTree = createTree(myDat, copy.deepcopy(labels)) print(myTree) # [1, 1]表示要取的分支上的节点位置，对应的结果值 print(classify(myTree, labels, [1, 1])) # 画图可视化展现 #dtPlot.createPlot(myTree) createPlot(myTree)if __name__ == '__main__': fishTest()
结果如下图：
项目案例2: 使用决策树预测隐形眼镜类型
11. 隐形眼镜模块
def ContactLensesTest(): """ Desc: 预测隐形眼镜的测试代码，并将结果画出来 Args: none Returns: none """ # 加载隐形眼镜相关的 文本文件 数据 fr = open('lenses.txt') # 解析数据，获得 features 数据 lenses = [inst.strip().split('\t') for inst in fr.readlines()] # 得到数据的对应的 Labels lensesLabels = ['age', 'prescript', 'astigmatic', 'tearRate'] # 使用上面的创建决策树的代码，构造预测隐形眼镜的决策树 lensesTree = createTree(lenses, lensesLabels) print(lensesTree) # 画图可视化展现 # dtPlot.createPlot(lensesTree) createPlot(lensesTree) if __name__ == '__main__': #fishTest() ContactLensesTest()
结果如下：
在鱼类测试模块之后添加隐形眼镜模块，main函数添加一行即可。
总共11个模块，总代码的顺序并没有一些规定，但是模块10要在模块9之前。总之，如果发现模块的顺序不太一样，调换一下就行了。让我们在AI的路上越走越远。。。