决策树（三）测试和存储分类器

1.测试算法：使用决策树执行分类

def classify(inputTree,featLabels,testVec):
    # 得到树的第一个特征
    firstStr=list(inputTree.keys())[0]
    # 得到第一个对应的值
    secondDict=inputTree[firstStr]
    # 得到树中第一个特征对应的索引
    # index方法查找当前列表中第一个匹配firstStr变量的元素的
    featIndex = featLabels.index(firstStr)
    # 遍历树
    for key in secondDict.keys():
        # 如果在secondDict[key]中找到testVec[featIndex]
        if testVec[featIndex]==key:
            # 判断secondDict[key]是否为字典
            if type(secondDict[key]).__name__=='dict':
                # 若为字典，递归的寻找testVec
                classLabel=classify(secondDict[key],featLabels,testVec)
            else:
                # 若secondDict[key]为标签值，则将secondDict[key]赋给classLabel
                classLabel=secondDict[key]
    # 返回类标签
    return classLabel

运行结果：

2.使用算法：决策树的储存

构造决策树是很耗时的任务，即使处理很小的数据集，如前面的样本数据，也要花费几秒的时间，如果数据集很大，将会耗费很多计算时间。然而用创建好的决策树解决分类问题，则可以很快完成。

因此，为了节省计算时间，最好能够在每次执行分类时调用已经构造好的决策树。

为了解决这个问题，需要使用Python模块pickle序列化对象，序列化对象可以在磁盘上保存对象，并在需要的时候读取出来。

任何对象都可以执行序列化操作，字典对象也不例外。

# 决策树的序列化
def storeTree(inputTree,filename):
    # 导入pickle模块
    import pickle
    # 打开文件，pickle采用二进制读写
    fw=open(filename,'wb')
    # 决策树序列化
    pickle.dump(inputTree,fw)
    #关闭文件
    fw.close()
    
# 读取序列化的树
def grabTree(filename):
    import pickle
    fr=open(filename,'rb')
    # 返回读到的树
    return pickle.load(fr)

运行结果：
将分类器储存在硬盘上这是决策树的优点之一，像knn就做不到。

END