ID3决策树程序实现

原文地址：https://blog.csdn.net/hongbin_xu/article/details/78516114

前言

之前的博客中介绍了决策树算法的原理并进行了数学推导（机器学习入门学习笔记：（3.1）决策树算法）。决策树的原理相对简单，决策树算法有：ID3，C4.5，CART等算法。接下来将对ID3决策树算法进行程序实现，参考了《机器学习实战》一书。这篇博客也作为自己个人的学习笔记，以便自己以后温习。

伪代码以及算法流程

伪代码：

创建分支的伪代码函数createBranch()：
检测数据集中每一个子项是否属于统一分类：
    If so return 类标签
    Else
        寻找划分数据集的最好特征
        划分数据集
        创建分支结点
            for 每个划分的子集
                调用函数createBranch()并增加返回结果到分支结点中
        return 分支结点

算法流程：

决策树的一般流程： 
（1）收集数据：可以使用任何方法。 
（2）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。 
（3）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。 
（4）训练算法：构造树的数据结构。 
（5）测试算法：使用经验树计算错误率。 
（6）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。

程序实现

导入模块

import operator
import copy
from math import log

operator：是python中的一个标准库，包含了Python的各种内置操作符,诸如逻辑、比较、计算等。而我们后面要使用的是operator.itemgetter，后面碰到了再说。 
copy：这个库就是字面意思，浅拷贝。（有关浅拷贝和深拷贝请参考这篇文章：python的复制，深拷贝和浅拷贝的区别） 
math：后面要用到对数函数，所以导入log函数。

计算给定数据的香农熵

# 计算给定数据集的香农熵
def calcShannonEnt(dataSet):
    numEntries = len(dataSet)   # 数据总数
    labelCounts = {}        # 标签计数，字典类型
    for featVec in dataSet:     # 遍历每一组数据
        currentLabel = featVec[-1]  # 最后一列为标签
        if currentLabel not in labelCounts.keys():  # 如果标签之前没有出现过，则新建一个字典的元素
            labelCounts[currentLabel] = 0
        labelCounts[currentLabel] += 1     # 该元素+1

    shannonEnt = 0.0    # 香农熵
    for key in labelCounts:         # 遍历每一组标签
        prob = float(labelCounts[key]) / numEntries   # 计算概率
        shannonEnt -= prob * log(prob, 2)   # 套用香农公式
    return shannonEnt

这段程序比较简单。

1. 首先计算输入数据集的样本总数。
2. 随后创建字典labelCounts，用以保存所有出现过得样本，如果新加入的这个样本的类别没有出现过，则将其新创建一个键(key)，而它对应的键值(value)就是这个类别出现过的次数。每个键值都会记录当前这个类别出现的次数，所以每次都将键值(value)加一。
3. 字典中的每一个键的键值都统计好了每种类别出现的次数，套用公式计算香农熵。 
   计算香农熵的公式： 
   
   Ent(D)=−∑k=1|γ|pklog2pkEnt(D)=−∑k=1|γ|pklog2pk

测试看看： 
再在程序中加入一个函数：

# 创建数据集
def createDataSet():
    dataSet = [ [1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no'] ]
    labels = ['no surfing', 'flippers']
    return dataSet, labels

python命令行下进行测试： 

划分数据集

# 按照给定特征划分数据集
def splitDataSet(dataSet, axis, value):
    retDataSet = []
    for featVec in dataSet:
        if featVec[axis] == value:  #抽取出这个元素
            reducedFeatVec = featVec[:axis]
            reducedFeatVec.extend(featVec[axis+1:])
            retDataSet.append(reducedFeatVec)
    return retDataSet

在数据集dataSet中，axis表示第几组特征，value则是那一组特征的某个取值。 
这个函数的功能就是根据原数据集中第axis组特征，其中只要值为value，则将它抽取出来；retDataSet用来保存最后剩下的那些数据集，并返回。 
看下测试示例就很好理解了： 

选择最好的数据集划分方式

# 选择最好的数据集划分方式
def chooseBestFeatureToSplit(dataSet):
    numFeatures = len(dataSet[0]) - 1       # 总特征数
    baseEntropy = calcShannonEnt(dataSet)   # 初始时计算一次香农熵
    bestInfoGain = 0.0     # 最佳信息增益，越大越好；初始默认为0
    bestFeature = -1       # 最佳划分属性
    for i in range(numFeatures):    # 遍历每一个特征
        # 找到该特征所有可能的取值，存入uniqueVals列表中
        # 这个是我常用的写法，功能一样，但是较为复杂
        # uniqueVals = []
        # for example in dataSet:
        #   if example[i] not in uniqueVals:
        #       uniqueVals.append(example[i])
        featList = [example[i] for example in dataSet]
        uniqueVals = set(featList)

        newEntropy = 0.0
        for value in uniqueVals:    # 遍历所有可能取值
            subDataSet = splitDataSet(dataSet, i, value)    # 对数据集分类
            prob = len(subDataSet) / float(len(dataSet))    # 计算概率
            newEntropy += prob * calcShannonEnt(subDataSet) # 对熵加权求和
        infoGain = baseEntropy - newEntropy    # 求到最后对应这个特征的熵
        if(infoGain > bestInfoGain):    # 比较，取最大的熵
            bestInfoGain = infoGain
            bestFeature = i
    return bestFeature

这里可以说是决策树算法的核心部分了。前面的博客（机器学习入门学习笔记：（3.1）决策树算法）中介绍了几种选择最佳划分方式的方法：信息增益(Information Gain)、信息率(Gain Ratio)、基尼指数(Gini Index)。我们这里要实现的是ID3决策树算法，其中使用的是信息增益(Information Gain)，当然也是最简单的一个。 
再次给出信息增益的公式： 

Gain(D,a)=Ent(D)−∑v=1V|Dv||D|Ent(Dv)Gain(D,a)=Ent(D)−∑v=1V|Dv||D|Ent(Dv)

之前我们已经写了计算香农熵的函数了，使用calcShannonEnt()函数计算出香农熵，套用上面公式就可以计算出信息增益了。这里不过多介绍概念，如果对概念不熟悉，请查看（机器学习入门学习笔记：（3.1）决策树算法）。 
简述一下程序流程，结合注释不难读懂：

我们要遍历所有的特征，首先要遍历每个特征，i表示第几个特征，使用for循环实现；随后再来遍历这个特征下每个可能取值uniqueVals，又要遍历，使用for循环实现；接下来，要判断当前的特征和值是不是最佳的划分属性，怎么判断？使用前面的函数splitDataSet()将数据集划分一下，再计算划分数据集之后的子数据集的香农熵，好了，接下来就要使用信息增益了，计算信息增益，比较最大的那个就是我们要的最佳划分属性的情况。

有点绕，最好还是看程序吧。

测试看看： 
 
程序运行结果告诉我们，0是当前最佳的用于划分数据集的特征。

统计出现次数最多的分类

def majorityCnt(classList):
    # 字典对象标记了每个标签出现的概率
    classCount = {}
    for vote in classList:
        if vote not in classList.keys():
            classCount[vote] = 0
        classCount[vote] += 1
    # 使用operator操作键值排序字典
    sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]   # 返回出现次数最多的分类

输入样本集的标签，统计每种类别出现的次数，若没有，则新建一个键保存这个类，每次循环将当前的类的键值加1。最后使用sorted()方法进行排序，key=operator.itemgetter(1)指定了第1维，即字典classCount中所有键的键值，统计每种类别的次数；reverse=True表示倒序，从大到小排序。最后返回第一个键的键值就是出现次数最多的那个。 
通常在递归中，决策树无法再继续递归，即到达树节点时，就需要统计当前剩下的未分类的样本中出现最多的分类，将这个叶节点的结果取为那个出现次数最多的类，这时使用这个函数。

构建决策树

# 创建决策树的函数代码
def createTree(dataSet, labels):
    # 这里是浅拷贝
    # 注意：在创建决策树的过程中会删减labels中的成员，为了防止原始的labels也被更改，这里复制了一个新的labels出来
    labelsTemp = copy.copy(labels)  # 拷贝一个labels列表
    classList = [example[-1] for example in dataSet]    # 统计dataSet中所有的标签

    # 递归的第一个停止条件
    # 如果所有的类标签都是相同的，则可以停止递归
    if classList.count(classList[0]) == len(classList):
        return classList[0]

    # 递归的第二个停止条件
    # 如果先遍历完了所有特征，即无法简单地返回唯一的类标签，则使用出现次数最多的作为返回值
    if len(dataSet[0]) == 1:
        return majorityCnt(classList)

    bestFeat = chooseBestFeatureToSplit(dataSet)    # 选择最适合分类的特征
    bestFeatLabel = labelsTemp[bestFeat]    # 该特征对应的标签
    myTree = {bestFeatLabel:{}}     # 构建树，以字典来表示
    del(labelsTemp[bestFeat])   # 删除这个最佳划分的特征的标签

    # 统计该特征所含的所有属性值
    featValues = [example[bestFeat] for example in dataSet] 
    uniqueVals = set(featValues)

    # 只要还可以划分就继续递归调用
    for value in uniqueVals:
        subLabels = labelsTemp[:]
        myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value), subLabels)

    return myTree

这里是最后递归生成决策树的函数。有两个输入参数：dataSet，labels。dataSet是样本数据集，labels是标签列表。 
最初使用labelsTemp = copy.copy(labels)是为了对labels列表进行浅拷贝，改变labelsTemp不会影响labels。 
使用递归创建决策树，那么最关心的当然是递归的结束条件。有三个递归的结束条件：

1. 递归的第一个停止条件：如果所有的类标签都是相同的，则可以停止递归；
2. 递归的第二个停止条件：如果先遍历完了所有特征，即无法简单地返回唯一的类标签，则使用出现次数最多的作为返回值；
3. 递归的第三个停止条件：到达叶节点，无法继续划分，返回myTree。

测试结果看看： 
 
结果是一个嵌套字典，no surfing为划分属性，他的键值包含字典{0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}。如果它的键值是0，则到达叶节点；结果是no，如果是1，则还需要继续划分。

使用决策树的分类函数

# 测试算法：使用决策树进行分类
def classify_ID3(inputTree, featLabels, testVec):
    firstStr = inputTree.keys()[0]
    # print(inputTree.keys())
    secondDict = inputTree[firstStr]
    featIndex = featLabels.index(firstStr)  # 将标签字符串转换为索引
    for key in secondDict.keys():
        if(testVec[featIndex] == key):
            if type(secondDict[key]).__name__ == 'dict':    # 如果还有节点，则继续递归
                classLabel = classify_ID3(secondDict[key], featLabels, testVec)
            else:   # 如果到达叶子节点，则返回当前节点的分类标签
                classLabel = secondDict[key]
    return classLabel

输入中有三个参数：inputTree是决策树，前面使用createTree()函数生成；featLabels是样本集的标签列表；testVec是要预测的变量。 
首先使用index()方法，寻找标签集中匹配的firstStr的那一项。目的是找到那一项在标签列表中是第几个，随后可以知道我们的测试数据集testVec中对应特征的值testVec[featIndex]。再往下就是循环遍历整个树，只要不到叶节点，就不断调用递归。这样遍历完整棵树，最后返回预测结果。

测试： 

决策树的保存和读取

# 使用pickle模块存储决策树
def storeTree(inputTree, filename):
    import pickle
    fw = open(filename, 'w')
    pickle.dump(inputTree, fw)
    fw.close()

def grabTree(filename):
    import pickle
    fr = open(filename, 'r')
    return pickle.load(fr)

这里都是调用python的pickle模块实现保存和读取。 
测试如下： 

数据可视化

这里直接贴上机器学习实战中的代码，复杂些，重点是决策树算法，这部分不做介绍。主要思想就是遍历整颗决策树，求出深度和叶节点个数，由深度计算出决策树的高度，由叶节点数计算出决策树的宽度。分配每个节点占的位置，画框显示结点对应的属性，递归过程中如果碰到叶节点则画出叶节点，若不是则递归调用。

# coding: utf-8
import matplotlib.pyplot as plt

# 使用文本注解绘制树结点
decisionNode = dict(boxstyle="sawtooth", fc="0.8")
leafNode = dict(boxstyle="round4", fc="0.8")
arrow_args = dict(arrowstyle="<-")

def plotNode(nodeText, centerPt, parentPt, nodeType):
    createPlot.ax1.annotate(nodeText, xy=parentPt, xycoords='axes fraction',\
        xytext=centerPt, textcoords='axes fraction', va='center', ha='center', \
        bbox=nodeType, arrowprops=arrow_args)

# matplot绘图函数
# def createPlot():
#   fig = plt.figure(1, facecolor='white')
#   fig.clf()
#   createPlot.ax1 = plt.subplot(111, frameon=False)
#   plotNode('Decision Node', (0.5, 0.1), (0.1, 0.5), decisionNode)
#   plotNode('Leaf Node', (0.8, 0.1), (0.3, 0.8), leafNode)
#   plt.show()


# 获取叶子节点的数目和树的层数
def getNumLeaves(myTree):
    numLeaves = 0
    firstStr = myTree.keys()[0]     # 决策树的第一个键值
    secondDict = myTree[firstStr]   # 字典中第一个key所对应的value，即下面的目录
    for key in secondDict.keys():
        if type(secondDict[key]).__name__=='dict':  # 如果是字典类型，则继续递归
            numLeaves += getNumLeaves(secondDict[key])
        else:   # 如果不是字典类型，则停止递归
            numLeaves += 1
    return numLeaves

def getTreeDepth(myTree):
    maxDepth = 0
    thisDepth = 0
    firstStr = myTree.keys()[0]
    secondDict = myTree[firstStr]
    for key in secondDict.keys():
        if type(secondDict[key]).__name__=='dict':
            thisDepth += getTreeDepth(secondDict[key])
        else:
            thisDepth = 1
        if(thisDepth > maxDepth):
            maxDepth = thisDepth
    return maxDepth

# 预先存储树的信息，方便读取测试
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]

def plotMidText(centerPt, parentPt, txtStr):
    xMid = (parentPt[0] + centerPt[0]) / 2.0
    yMid = (parentPt[1] + centerPt[1]) / 2.0
    createPlot.ax1.text(xMid, yMid, txtStr)

def plotTree(myTree, parentPt, nodeTxt):
    firstStr = myTree.keys()[0]
    numLeaves = getNumLeaves(myTree)
    depth = getTreeDepth(myTree)
    centerPt = (plotTree.xOff + (1.0 + float(numLeaves))/2.0/plotTree.totalW, plotTree.yOff)
    # centerPt = (0.5, plotTree.yOff)
    plotMidText(centerPt, parentPt, nodeTxt)
    plotNode(firstStr, centerPt, parentPt, decisionNode)
    secondDict = myTree[firstStr]
    plotTree.yOff -= 1.0 / plotTree.totalD  # 由于绘图是自顶向下的，所以y的偏移要递减
    for key in secondDict.keys():
        if type(secondDict[key]).__name__ == 'dict':
            plotTree(secondDict[key], centerPt, str(key))
        else:
            plotTree.xOff += 1.0 /  plotTree.totalW
            plotNode(secondDict[key], (plotTree.xOff, plotTree.yOff), centerPt, leafNode)
            plotMidText((plotTree.xOff, plotTree.yOff), centerPt, str(key))
    plotTree.yOff += 1.0 / plotTree.totalD # 在绘制了所有子节点后，增加y的偏移



def createPlot(inTree):
    fig = plt.figure(1, facecolor='white')
    fig.clf()
    axprops = dict(xticks=[], yticks=[])
    createPlot.ax1 = plt.subplot(111, frameon=False, **axprops)
    plotTree.totalW = float(getNumLeaves(inTree))
    plotTree.totalD = float(getTreeDepth(inTree))
    plotTree.xOff = -0.5/plotTree.totalW
    plotTree.yOff = 1.0
    plotTree(inTree, (0.5, 1.0), '')
    plt.show()

使用决策树预测实例

lenses.txt中是隐形眼睛数据集。隐形眼镜数据集是非常著名的数据集 , 它包含很多患者眼部状况的观察条件以及医生推荐的隐形眼镜类型 。隐形眼镜类型包括硬材质 、软材质以及不适合佩戴 隐形眼镜 。数据来源于UCI数据库 ,为了更容易显示数据 , 将数据存储在源代码下载路径的文本文件中。 
python命令行下输入：

import trees
import treePlotter

fr = open('lenses.txt')
lenses = [inst.strip().split('\t') for inst in fr.readlines()]
lensesLabels = ['age', 'prescript', 'astigmatic', 'tearRate']
lensesTree = trees.createTree(lenses, lensesLabels)
lensesTree
treePlotter.createPlot(lensesTree)

运行结果： 

以上就是使用ID3决策树算法的程序实现。虽然最后很好地拟合了样本集，但是这些结点不免让人觉得太多了，即有可能过拟合(overfiting)了。为了减小过拟合的风险，我们还可以对决策树进行剪枝，而剪枝又有：预剪枝和后剪枝。剪枝后能在保证同等性能的前提下去掉一些不必要的结点。

后记

这篇博客是我个人学习机器学习实战中的笔记，写下来也有不少字数了。 
http://www.cnblogs.com/fydeblog/p/7159775.html 
工程下载链接： 
百度云盘：链接: https://pan.baidu.com/s/1eSeRQIQ 密码: 3zwm

参考资料：

1. 《机器学习》周志华
2. 《机器学习实战》