快捷導(dǎo)航

決策樹的python實(shí)現(xiàn)方法

更新時(shí)間：2014年11月18日 14:47:13 投稿：shichen2014

這篇文章主要介紹了決策樹的python實(shí)現(xiàn)方法,詳細(xì)分析了決策樹的優(yōu)缺點(diǎn)及算法思想并以完整實(shí)例形式講述了Python實(shí)現(xiàn)決策樹的方法,具有一定的借鑒價(jià)值,需要的朋友可以參考下

本文實(shí)例講述了決策樹的python實(shí)現(xiàn)方法。分享給大家供大家參考。具體實(shí)現(xiàn)方法如下：

決策樹算法優(yōu)缺點(diǎn)：

優(yōu)點(diǎn)：計(jì)算復(fù)雜度不高，輸出結(jié)果易于理解，對(duì)中間值缺失不敏感，可以處理不相關(guān)的特征數(shù)據(jù)

缺點(diǎn)：可能會(huì)產(chǎn)生過(guò)度匹配的問(wèn)題

適用數(shù)據(jù)類型：數(shù)值型和標(biāo)稱型

算法思想：

1.決策樹構(gòu)造的整體思想：

決策樹說(shuō)白了就好像是if-else結(jié)構(gòu)一樣，它的結(jié)果就是你要生成這個(gè)一個(gè)可以從根開(kāi)始不斷判斷選擇到葉子節(jié)點(diǎn)的樹，但是呢這里的if-else必然不會(huì)是讓我們認(rèn)為去設(shè)置的，我們要做的是提供一種方法，計(jì)算機(jī)可以根據(jù)這種方法得到我們所需要的決策樹。這個(gè)方法的重點(diǎn)就在于如何從這么多的特征中選擇出有價(jià)值的，并且按照最好的順序由根到葉選擇。完成了這個(gè)我們也就可以遞歸構(gòu)造一個(gè)決策樹了

2.信息增益

劃分?jǐn)?shù)據(jù)集的最大原則是將無(wú)序的數(shù)據(jù)變得更加有序。既然這又牽涉到信息的有序無(wú)序問(wèn)題，自然要想到想弄的信息熵了。這里我們計(jì)算用的也是信息熵（另一種方法是基尼不純度）。公式如下：

數(shù)據(jù)需要滿足的要求：

① 數(shù)據(jù)必須是由列表元素組成的列表，而且所有的列白哦元素都要具有相同的數(shù)據(jù)長(zhǎng)度
② 數(shù)據(jù)的最后一列或者每個(gè)實(shí)例的最后一個(gè)元素應(yīng)是當(dāng)前實(shí)例的類別標(biāo)簽

函數(shù)：

calcShannonEnt(dataSet)
計(jì)算數(shù)據(jù)集的香農(nóng)熵，分兩步，第一步計(jì)算頻率，第二部根據(jù)公式計(jì)算香農(nóng)熵

splitDataSet(dataSet, aixs, value)
劃分?jǐn)?shù)據(jù)集，將滿足X[aixs]==value的值都劃分到一起，返回一個(gè)劃分好的集合（不包括用來(lái)劃分的aixs屬性，因?yàn)椴恍枰?br />
chooseBestFeature(dataSet)
選擇最好的屬性進(jìn)行劃分，思路很簡(jiǎn)單就是對(duì)每個(gè)屬性都劃分下，看哪個(gè)好。這里使用到了一個(gè)set來(lái)選取列表中唯一的元素，這是一中很快的方法

majorityCnt(classList)
因?yàn)槲覀冞f歸構(gòu)建決策樹是根據(jù)屬性的消耗進(jìn)行計(jì)算的，所以可能會(huì)存在最后屬性用完了，但是分類還是沒(méi)有算完，這時(shí)候就會(huì)采用多數(shù)表決的方式計(jì)算節(jié)點(diǎn)分類

createTree(dataSet, labels)
基于遞歸構(gòu)建決策樹。這里的label更多是對(duì)于分類特征的名字，為了更好看和后面的理解。

復(fù)制代碼代碼如下:

#coding=utf-8
import operator
from math import log
import time

def createDataSet():
    dataSet=[[1,1,'yes'],
            [1,1,'yes'],
            [1,0,'no'],
            [0,1,'no'],
            [0,1,'no']]
    labels = ['no surfaceing','flippers']
    return dataSet, labels

#計(jì)算香農(nóng)熵
def calcShannonEnt(dataSet):
    numEntries = len(dataSet)
    labelCounts = {}
    for feaVec in dataSet:
        currentLabel = feaVec[-1]
        if currentLabel not in labelCounts:
            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 splitDataSet(dataSet, axis, value):
    retDataSet = []
    for featVec in dataSet:
        if featVec[axis] == value:
            reducedFeatVec = featVec[:axis]
            reducedFeatVec.extend(featVec[axis+1:])
            retDataSet.append(reducedFeatVec)
    return retDataSet

def chooseBestFeatureToSplit(dataSet):
    numFeatures = len(dataSet[0]) - 1#因?yàn)閿?shù)據(jù)集的最后一項(xiàng)是標(biāo)簽
    baseEntropy = calcShannonEnt(dataSet)
    bestInfoGain = 0.0
    bestFeature = -1
    for i in range(numFeatures):
        featList = [example[i] for example in dataSet]
        uniqueVals = set(featList)
        newEntropy = 0.0
        for value in uniqueVals:
            subDataSet = splitDataSet(dataSet, i, value)
            prob = len(subDataSet) / float(len(dataSet))
            newEntropy += prob * calcShannonEnt(subDataSet)
        infoGain = baseEntropy -newEntropy
        if infoGain > bestInfoGain:
            bestInfoGain = infoGain
            bestFeature = i
    return bestFeature

#因?yàn)槲覀冞f歸構(gòu)建決策樹是根據(jù)屬性的消耗進(jìn)行計(jì)算的，所以可能會(huì)存在最后屬性用完了，但是分類
#還是沒(méi)有算完，這時(shí)候就會(huì)采用多數(shù)表決的方式計(jì)算節(jié)點(diǎn)分類
def majorityCnt(classList):
    classCount = {}
    for vote in classList:
        if vote not in classCount.keys():
            classCount[vote] = 0
        classCount[vote] += 1
    return max(classCount)

def createTree(dataSet, labels):
    classList = [example[-1] for example in dataSet]
    if classList.count(classList[0]) ==len(classList):#類別相同則停止劃分
        return classList[0]
    if len(dataSet[0]) == 1:#所有特征已經(jīng)用完
        return majorityCnt(classList)
    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[:]#為了不改變?cè)剂斜淼膬?nèi)容復(fù)制了一下
        myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet,
                                        bestFeat, value),subLabels)
    return myTree

def main():
    data,label = createDataSet()
    t1 = time.clock()
    myTree = createTree(data,label)
    t2 = time.clock()
    print myTree
    print 'execute for ',t2-t1
if __name__=='__main__':
    main()