Python机器学习之决策树算法实例详解

概述本文实例讲述了Python机器学习之决策树算法。分享给大家供大家参考，具体如下：

本文实例讲述了Python机器学习之决策树算法。分享给大家供大家参考，具体如下：

决策树学习是应用最广泛的归纳推理算法之一，是一种逼近离散值目标函数的方法，在这种方法中学习到的函数被表示为一棵决策树。决策树可以使用不熟悉的数据集合，并从中提取出一系列规则，机器学习算法最终将使用这些从数据集中创造的规则。决策树的优点为：计算复杂度不高，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。缺点为：可能产生过度匹配的问题。决策树适于处理离散型和连续型的数据。

在决策树中最重要的就是如何选取用于划分的特征

在算法中一般选用ID3，D3算法的核心问题是选取在树的每个节点要测试的特征或者属性，希望选择的是最有助于分类实例的属性。如何定量地衡量一个属性的价值呢？这里需要引入熵和信息增益的概念。熵是信息论中广泛使用的一个度量标准，刻画了任意样本集的纯度。

假设有10个训练样本，其中6个的分类标签为yes，4个的分类标签为no，那熵是多少呢？在该例子中，分类的数目为2（yes，no），yes的概率为0.6，no的概率为0.4，则熵为 ：

其中value（A）是属性A所有可能值的集合，

是S中属性A的值为v的子集，即

。上述公式的第一项为原集合S的熵，第二项是用A分类S后熵的期望值，该项描述的期望熵就是每个子集的熵的加权和，权值为属于的样本占原始样本S的比例

。所以Gain(S,A)是由于知道属性A的值而导致的期望熵减少。

完整的代码：

# -*- Coding: cp936 -*-from numpy import *import operatorfrom math import logimport operatordef createDataSet():  dataSet = [[1,1,'yes'],[1,'no'],[0,'no']]  labels = ['no surfacing','flippers']  return dataSet,labelsdef calcShannonEnt(dataSet):  numEntrIEs = len(dataSet)  labelCounts = {} # a dictionary for feature  for featVec in dataSet:    currentLabel = featVec[-1]    if currentLabel not in labelCounts.keys():      labelCounts[currentLabel] = 0    labelCounts[currentLabel] += 1  shannonEnt = 0.0  for key in labelCounts:    #print(key)    #print(labelCounts[key])    prob = float(labelCounts[key])/numEntrIEs    #print(prob)    shannonEnt -= prob * log(prob,2)  return shannonEnt#按照给定的特征划分数据集#根据axis等于value的特征将数据提出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#选取特征，划分数据集，计算得出最好的划分数据集的特征def chooseBestFeaturetoSplit(dataSet):  numFeatures = len(dataSet[0]) - 1 #剩下的是特征的个数  baseEntropy = calcShannonEnt(dataSet)#计算数据集的熵，放到baseEntropy中  bestInfoGain = 0.0;bestFeature = -1 #初始化熵增益  for i in range(numFeatures):    feat@R_502_6818@ = [example[i] for example in dataSet] #feat@R_502_6818@存储对应特征所有可能得取值    uniqueVals = set(feat@R_502_6818@)    newEntropy = 0.0    for value in uniqueVals:#下面是计算每种划分方式的信息熵,特征i个，每个特征value个值      subDataSet = splitDataSet(dataSet,i,value)      prob = len(subDataSet)/float(len(dataSet)) #特征样本在总样本中的权重      newEntropy = prob * calcShannonEnt(subDataSet)    infoGain = baseEntropy - newEntropy #计算i个特征的信息熵    #print(i)    #print(infoGain)    if(infoGain > bestInfoGain):      bestInfoGain = infoGain      bestFeature = i  return bestFeature#如上面是决策树所有的功能模块#得到原始数据集之后基于最好的属性值进行划分，每一次划分之后传递到树分支的下一个节点#递归结束的条件是程序遍历完成所有的数据集属性，或者是每一个分支下的所有实例都具有相同的分类#如果所有实例具有相同的分类，则得到一个叶子节点或者终止快#如果所有属性都已经被处理，但是类标签依然不是确定的，那么采用多数投票的方式#返回出现次数最多的分类名称def majorityCnt(class@R_502_6818@):  classCount = {}  for Vote in class@R_502_6818@:    if Vote not in classCount.keys():classCount[Vote] = 0    classCount[Vote] += 1  sortedClassCount = sorted(classCount.iteritems(),key=operator.itemgetter(1),reverse=True)  return sortedClassCount[0][0]#创建决策树def createTree(dataSet,labels):  class@R_502_6818@ = [example[-1] for example in dataSet]#将最后一行的数据放到class@R_502_6818@中，所有的类别的值  if class@[email protected](class@R_502_6818@[0]) == len(class@R_502_6818@): #类别完全相同不需要再划分    return class@R_502_6818@[0]  if len(dataSet[0]) == 1:#这里为什么是1呢？就是说特征数为1的时候    return majorityCnt(class@R_502_6818@)#就返回这个特征就行了，因为就这一个特征  bestFeat = chooseBestFeaturetoSplit(dataSet)  print('the bestFeatue in creating is :')  print(bestFeat)  bestFeatLabel = labels[bestFeat]#运行结果'no surfacing'  myTree = {bestFeatLabel:{}}#嵌套字典,目前value是一个空字典  del(labels[bestFeat])  featValues = [example[bestFeat] for example in dataSet]#第0个特征对应的取值  uniqueVals = set(featValues)  for value in uniqueVals: #根据当前特征值的取值进行下一级的划分    subLabels = labels[:]    myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet,bestFeat,value),subLabels)  return myTree#对上面简单的数据进行小测试def testTree1():  myDat,labels=createDataSet()  val = calcShannonEnt(myDat)  print 'The classify accuracy is: %.2f%%' % val  retDataSet1 = splitDataSet(myDat,1)  print (myDat)  print(retDataSet1)  retDataSet0 = splitDataSet(myDat,0)  print (myDat)  print(retDataSet0)  bestfeature = chooseBestFeaturetoSplit(myDat)  print('the bestFeatue is :')  print(bestfeature)  tree = createTree(myDat,labels)  print(tree)

对应的结果是：

>>> import TREE>>> TREE.testTree1()The classify accuracy is: 0.97%[[1,'no']][[1,'no']]the bestFeatue is :0the bestFeatue in creating is :0the bestFeatue in creating is :0{'no surfacing': {0: 'no',1: {'flippers': {0: 'no',1: 'yes'}}}}

最好再增加使用决策树的分类函数

同时因为构建决策树是非常耗时间的，因为最好是将构建好的树通过 python 的 pickle 序列化对象，将对象保存在磁盘上，等到需要用的时候再读出

def classify(inputTree,featLabels,testVec):  firstStr = inputTree.keys()[0]  secondDict = inputTree[firstStr]  featIndex = featLabels.index(firstStr)  key = testVec[featIndex]  valueOfFeat = secondDict[key]  if isinstance(valueOfFeat,dict):    classLabel = classify(valueOfFeat,testVec)  else: classLabel = valueOfFeat  return classLabeldef storeTree(inputTree,filename):  import pickle  fw = open(filename,'w')  pickle.dump(inputTree,fw)  fw.close()def grabTree(filename):  import pickle  fr = open(filename)  return pickle.load(fr)

更多关于Python相关内容感兴趣的读者可查看本站专题：《Python数据结构与算法教程》、《Python加密解密算法与技巧总结》、《Python编码 *** 作技巧总结》、《Python函数使用技巧总结》、《Python字符串 *** 作技巧汇总》及《Python入门与进阶经典教程》

希望本文所述对大家Python程序设计有所帮助。

总结

以上是内存溢出为你收集整理的Python机器学习之决策树算法实例详解全部内容，希望文章能够帮你解决Python机器学习之决策树算法实例详解所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。