决策树 ID3学习笔记

最近开始看机器学习方面的知识，决策树（DT）主要有两种算法 ID3(Iterative Dichotomiser 3)和 C4.5哈。

决策树算法的优点：

1：易于理解，使用白盒模型，相比之下，在一个黑盒子模型（例如人工神经网络），结果可能更难以解释
2：需要准备的数据量不大
3：能够处理数字和数据的类别（需要做相应的转变），而其他算法分析的数据集往往是只有一种类型的变量
4：能够处理多输出的问题


决策树算法的缺点：
1：决策树算法学习者可以创建复杂的树，容易过拟合，为了避免这种问题，出现了剪枝的概念，即设置一个叶子结点所需要的最小数目或者设置树的最大深度
2：决策树的结果可能是不稳定的，因为在数据中一个很小的变化可能导致生成一个完全不同的树，这个问题可以通过使用集成决策树来解决
3：实际决策树学习算法是基于启发式算法，如贪婪算法，寻求在每个节点上的局部最优决策。这样的算法不能保证返回全局最优决策树。

4：决策树学习者很可能在某些类占主导地位时创建有有偏异的树，因此建议用平衡的数据训练决策树

 

ID3算法最早是由罗斯昆（J. Ross Quinlan）于1975年在悉尼大学提出的一种分类预测算法，算法以信息论为基础，其核心是“信息熵”。ID3算法通过计算每个属性的信息增益，认为信息增益高的是好属性，每次划分选取信息增益最高的属性为划分标准，重复这个过程，直至生成一个能完美分类训练样例的决策树。首先介绍两个概念：

理解了上面两个概念就好办了，下面是一个具体的例子，加入根据 outlook,temp,hum,windy 属性来决定去不去paly。

直接上代码，写的比较搓，就是个示例，哈：

import copy, numpy as np
import sys
import pdb

#pdb.set_trace()
'''训练样本，前两列对应是属性值，最后一列表示分类，下面的值分别对应
              Outlook, Temperature, Humidity, Windy, Play'''

train_data = [['Outlook', 'Temperature', 'Humidity', 'Windy', 'Play'],
              ['sunny', 'hot', 'high', 'false', 'no'],
              ['sunny', 'hot', 'high', 'true', 'no'],
              ['overcast', 'hot', 'high', 'false', 'yes'], 
              ['rain', 'mild', 'high', 'false', 'yes'], 
              ['rain', 'cool', 'normal', 'false', 'yes'],
              ['rain', 'cool', 'normal', 'true', 'no'],
              ['overcast', 'cool', 'normal', 'true', 'yes'],
              ['sunny', 'mild', 'high', 'false', 'no'],
              ['sunny', 'cool', 'normal', 'false', 'yes'],
              ['rain', 'mild', 'normal', 'false', 'yes'],
              ['sunny', 'mild', 'normal', 'true', 'yes'],
              ['overcast', 'mild', 'high', 'true', 'yes'],
              ['overcast', 'hot', 'normal', 'false', 'yes'],
              ['rain', 'mild', 'high', 'true', 'no']]
#测试样本
test_data = [['sunny', 'mild', 'normal', 'false'], ['overcast', 'hot', 'normal', 'true']]

#计算信息熵，传入的是某个属性下的分类及对应的个数，{1:2, 2:5, 3:9}，返回信息熵
def entropy_cal(pro):
	entro = 0
	total = sum(list(pro.values()))
	for key, value in pro.items():
		P = value/total
		entro = entro -P * np.log2(P)
	return entro

#res = entropy_cal({1:1, 2:2, 3:1})
#print(res)


#传入的是训练样本，默认最后一列是标签，返回信息增益最大的属性值
def IG(train_data):
	#print(train_data)
	#不存在属性
	if len(train_data[0]) <= 1:
		return -1
	#训练样本集数量
	train_num = len(train_data)
	#print(train_num)
	#属性个数
	pro_num = len(train_data[0])
    #声明一个空的字典
	pro_dic = {}
	for i in range(pro_num):
		for j in range(1, train_num):
			pro_ind = str(i)

			if pro_ind not in pro_dic.keys():
				pro_dic[pro_ind] = {}
			
			if train_data[j][i] in pro_dic[pro_ind].keys():
				pro_dic[pro_ind][train_data[j][i]]['total'] += 1
			else:
				pro_dic[pro_ind][train_data[j][i]] = {'total':1}
			#记录对应标签
			if train_data[j][-1] in pro_dic[pro_ind][train_data[j][i]].keys():
				pro_dic[pro_ind][train_data[j][i]][train_data[j][-1]] += 1
			else:
				pro_dic[pro_ind][train_data[j][i]][train_data[j][-1]] = 1

	#print('--------')
	#print(pro_dic)
	#print('========')
	MAX_IG = 10000
	MAX_INDEX = -1
	for i in range(pro_num - 1):
		#对每个属性计算熵
		linshi = 0
		for key, value in pro_dic[str(i)].items():
			P = value['total']/train_num
			del value['total']
			linshi += P * entropy_cal(value)
		#print(linshi)
		if linshi < MAX_IG:
			MAX_INDEX = i
			MAX_IG = linshi
	#print('选择的属性是:')
	#print(MAX_IG)
	#print(MAX_INDEX)
	return {'index':MAX_INDEX, 'pro':pro_dic[str(MAX_INDEX)].keys()}


		
def getTree(train, node):
	#print(tree)
	res=IG(train)
	#print(res)
	index = res['index']
	#遍历列表train，如何 index 对应的标签都是同一个，那么就结束
	num = len(train)

	if index != -1:
		#pro = {'sunny':{'yes':3,'no':2, 'data':[]}, 'overcast':{'yes':4, 'data':[]}, 'rain':{'yes':3,'no':2, 'data':[]}}
		pro = {}
		for i in range(num):
			if train[i][index] in pro.keys():
				if train[i][-1] in pro[train[i][index]].keys():
					pro[train[i][index]][train[i][-1]] += 1
				else:
					pro[train[i][index]][train[i][-1]] = 1
			else:
				pro[train[i][index]] = {}
				pro[train[i][index]][train[i][-1]] = 1

			temp = copy.deepcopy(train[i])
			del temp[index]
			if 'data' not in pro[train[i][index]].keys():
				pro[train[i][index]]['data'] = list()
				head = copy.deepcopy(train[0])
				del head[index]
				pro[train[i][index]]['data'].append(head)
			pro[train[i][index]]['data'].append(temp)
	#print(pro)
	name = train[0][index]
	if len(node) == 0:
		#print(tree)
		for i in res['pro']:
			if len(pro[i].keys()) <= 2:
				key = list(pro[i].keys())
				if key[0] == 'data':
					del key[0]
				print([name, i, key[0]])
			else:
				newdata = copy.deepcopy(pro[i]['data'])
				getTree(newdata, [name, i])
	else:
		#print('-----------')
		#print(res)
		#print('===========')
		for i in res['pro']:
			newnode = copy.deepcopy(node)
			if len(pro[i].keys()) <= 2:
				key = list(pro[i].keys())
				if key[0] == 'data':
					del key[0]
				newnode.append(name)
				newnode.append(i)
				newnode.append(key[0])
				print(newnode)
			else:
				newdata = copy.deepcopy(pro[i]['data'])
				newnode.append(name)
				newnode.append(i)
				getTree(newdata, newnode)

def main():
	getTree(train_data, [])


if __name__ == "__main__":
    sys.exit(main())

运行结果：