機器學習實戰-決策樹

来源:https://www.cnblogs.com/twq46/archive/2022/10/02/16747541.html
-Advertisement-
Play Games

本文講解了決策樹的創鍵的過程,包括熵,信息增益的計算,還有決策樹的創建,以及使用matplotlib讓決策樹可視化的詳細過程 ...


1.決策樹的構造

1.1優缺點

優點:
  • 計算複雜度不高:以ID3為例,每次運算都是基於某一列特征,特征計算完後,下次計算不考慮該最有特征,並且通過適當剪枝可以簡化複雜度

  • 輸出結果易於理解:因為輸出的是一個樹的結構,樹的走向一目瞭然

  • 對中間值的缺失不敏感

  • 可以處理不相關特 徵數據:是基於每列特征來計算,不考慮特征之間的依賴關係

缺點:可能會產生過度匹配問題。
適用數據類型:數值型和標稱型。

1.2信息熵

主要用來度量信息的混亂程度,信息越混亂,說明能夠包含的信息量越多,則熵越大。反之若信息越有序說明包含的信息量越少,則熵越小。

1.3信息增益

標準的說法就是:一個隨機變數的引入導致了另一個隨機變數的混亂性變化(約束),如果約束越大,信息增益就越大。舉個通俗易懂的例子就是:比如你去銀行貸款,如果你自己的個人信息你對貸款員什麼都不說,那貸款員是不是就很不確定是否貸款給你,如果你只說了你的薪資,那較之前相比,貸款員是否給你貸款是不是就多了一種判斷的依據,也就是說,你告訴貸款員你的個人信息越多,貸款員是否給你貸款就越確定,此時的信息增益也就是最大。在舉一個例子:瞭解一個人的信息,如果給一個身份證號,由於每個人的身份證號都是唯一的,所以一個身份證號就可以判斷這個的所有信息,也就是引入身份證號這個屬性之後,就會唯一確定一個人,這時身份證號對判斷這個人的約束是最大,信息增益也就是最大。

2.決策樹的構造

2.1熵的計算

數據集:

根據表中的數據統計可知,在15個數據中,9個數據的結果為放貸,6個數據的結果為不放貸。所以數據集D的經驗熵H(D)為:

def calcShannonEnt(dataSet):
    numEntires = len(dataSet)    #返回數據集的行數
    labelCounts = {}    #保存每個標簽(Label)出現次數的字典
    for featVec in dataSet: #featVec代表一行一行的數據   #對每組特征向量進行統計
        currentLabel = featVec[-1]  #取每一行的最後一列也即是否貸款的值
        if currentLabel not in labelCounts.keys():    #如果標簽(Label)沒有放入統計次數的字典,添加進去
            labelCounts[currentLabel] = 0#鍵對應的值設為零
        labelCounts[currentLabel] += 1 #鍵對應的值加一
    shannonEnt = 0.0                                #經驗熵(香農熵)
    for key in labelCounts:                            #計算香農熵
        prob = float(labelCounts[key]) / numEntires    #選擇該標簽(Label)的概率
        shannonEnt -= prob * log(prob, 2)            #利用公式計算
    return shannonEnt

def createDataSet():
    #年齡:0代表青年,1代表中年,2代表老年
    #信貸情況:0代表一般,1代表好,2代表非常好
    dataSet = [[0, 0, 0, 0, 'no'],  # 數據集
               [0, 0, 0, 1, 'no'],
               [0, 1, 0, 1, 'yes'],
               [0, 1, 1, 0, 'yes'],
               [0, 0, 0, 0, 'no'],
               [1, 0, 0, 0, 'no'],
               [1, 0, 0, 1, 'no'],
               [1, 1, 1, 1, 'yes'],
               [1, 0, 1, 2, 'yes'],
               [1, 0, 1, 2, 'yes'],
               [2, 0, 1, 2, 'yes'],
               [2, 0, 1, 1, 'yes'],
               [2, 1, 0, 1, 'yes'],
               [2, 1, 0, 2, 'yes'],
               [2, 0, 0, 0, 'no']]
    labels = ['年齡', '有工作', '有自己的房子', '信貸情況']  # 特征標簽
    return dataSet, labels  # 返回數據集和分類屬性

myDat,labels=createDataSet()
print(myDat)
print(calcShannonEnt(myDat))

測試結果:

2.2劃分數據集

2.2.1按照給定特征劃分數據集

#三個輸入參數:待劃分的數據集、劃分數據集的特征、需要返回的特征的值
def splitDataSet(dataSet, axis, value):
    retDataSet = []                 #創建返回的數據集列表
    for featVec in dataSet:             #遍曆數據集
        if featVec[axis] == value:
            reducedFeatVec = featVec[:axis]    #去掉axis特征
            reducedFeatVec.extend(featVec[axis+1:])     #將符合條件的添加到返回的數據集
            retDataSet.append(reducedFeatVec)
    return retDataSet        #返回劃分後的數據集

上面代碼的解釋,假設axis=0,value=1,表示的是在第一列年齡的屬性中,找到值為1(也即為中年)的所有行,然後去掉每一行中第一列的數據(其實很多餘,因為在算熵的時候只取最後一列的數據),然後每一行的剩餘列的數據保存

以添加年齡之後算此時是否貸款的信息增益的方法如下圖:

2.2.2選擇最好的數據集劃分方式

代碼實現:
def chooseBestFeatureToSplit(dataSet):
    numFeatures = len(dataSet[0]) - 1    #特征數量
    baseEntropy = calcShannonEnt(dataSet)                 #計算數據集的香農熵
    bestInfoGain = 0.0      #信息增益
    bestFeature = -1       #最優特征的索引值
    for i in range(numFeatures):   #遍歷所有特征
        #獲取dataSet的第i個所有特征-第i列全部的值
        featList = [example[i] for example in dataSet]
        uniqueVals = set(featList)   #創建set集合{},元素不可重覆
        newEntropy = 0.0   #經驗條件熵
        for value in uniqueVals:  #計算信息增益
            subDataSet = splitDataSet(dataSet, i, value) #subDataSet劃分後的子集
            prob = len(subDataSet) / float(len(dataSet)) #計運算元集的概率如上圖的p(youth),p(middle),p(old)的值
            newEntropy += prob * calcShannonEnt(subDataSet)     #根據公式計算經驗條件熵
        infoGain = baseEntropy - newEntropy #信息增益=h(D)-h(D|A)
        # print("第%d個特征的增益為%.3f" % (i, infoGain))            #列印每個特征的信息增益
        if (infoGain > bestInfoGain): #取出信息增益的最大值                            #計算信息增益
            bestInfoGain = infoGain                             #更新信息增益,找到最大的信息增益
            bestFeature = i                                     #記錄信息增益最大的特征的索引值
    return bestFeature

2.3遞歸構建決策樹

#當所有的特征及屬性都遍歷完成之後任然不能確定是否貸款
#此時可根據classlist中是否貸款各自的數量,取最大票數的即可
def majorityCnt(classList):
    classCount = {}
    for vote in classList:                                        #統計classList中每個元素出現的次數
        if vote not in classCount.keys():
            classCount[vote] = 0
        classCount[vote] += 1
    sortedClassCount = sorted(classCount.items(), key = operator.itemgetter(1), reverse = True) #根據字典的值降序排序
    return sortedClassCount[0][0]                                #返回classList中出現次數最多的元素

#創建樹的函數代碼
def createTree(dataSet, labels, featLabels):
    classList = [example[-1] for example in dataSet]#取分類標簽(是否放貸:yes or no)
    # print("classlist:")
    # print(classList)
    if classList.count(classList[0]) == len(classList):            #如果類別完全相同則停止繼續劃分
        return classList[0]
    if len(dataSet[0]) == 1: #遍歷完所有特征時返回出現次數最多的類標簽
        return majorityCnt(classList)
    bestFeat = chooseBestFeatureToSplit(dataSet) #選擇最優特征
    bestFeatLabel = labels[bestFeat]#最優特征的標簽
    featLabels.append(bestFeatLabel)
    myTree = {bestFeatLabel:{}}#根據最優特征的標簽生成樹
    del(labels[bestFeat])    #刪除已經使用特征標簽
    featValues = [example[bestFeat] for example in dataSet]  #得到訓練集中所有最優特征的屬性值
    uniqueVals = set(featValues) #去掉重覆的屬性值
    for value in uniqueVals:   #遍歷特征,創建決策樹。
        myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value), labels, featLabels)
    return myTree

遞歸函數的第一個停止條件是所有的
類標簽完全相同,則直接返回該類標簽。遞歸函數的第二個停止條件是使用完了所有特征,任然不能將數據集劃分成僅包含唯一類別的分組 。由於第二個條件無法簡單地返回唯一的類標 簽,這裡使用投票表決的函數挑選出現次數最多的類別作為返回值

運行結果


由上面建立的決策樹可知,首先判斷你是否有房子,如果有就可以貸款給你,如果沒有房子再看你是否有工作,如果既沒有房子也沒有工作,就不貸款給你,如果有沒有房子,但有工作,也貸款給你

3.使用 Matplotlib 註解繪製樹形圖

使用Matplotlib的註解功能繪製樹形圖,它可以對文字著色並提供多種形狀以供選擇, 而且我們還可以反轉箭頭,將它指向文本框而不是數據點。
#獲取決策樹葉子結點的數目
def getNumLeafs(myTree):
    numLeafs = 0 #初始化葉子
    firstStr = next(iter(myTree)) #python3中myTree.keys()返回的是dict_keys,不在是list,所以不能使用myTree.keys()[0]的方法獲取結點屬性,可以使用list(myTree.keys())[0]
    secondDict = myTree[firstStr] #獲取下一組字典
    for key in secondDict.keys():
        if type(secondDict[key]).__name__=='dict': #測試該結點是否為字典,如果不是字典,代表此結點為葉子結點
            numLeafs += getNumLeafs(secondDict[key])
        else:   numLeafs +=1
    return numLeafs

#獲取決策樹的層數
def getTreeDepth(myTree):
    maxDepth = 0  #初始化決策樹深度
    firstStr = next(iter(myTree)) #python3中myTree.keys()返回的是dict_keys,不在是list,所以不能使用myTree.keys()[0]的方法獲取結點屬性,可以使用list(myTree.keys())[0]
    secondDict = myTree[firstStr] #獲取下一個字典
    for key in secondDict.keys():
        if type(secondDict[key]).__name__=='dict': #測試該結點是否為字典,如果不是字典,代表此結點為葉子結點
            thisDepth = 1 + getTreeDepth(secondDict[key])
        else:   thisDepth = 1
        if thisDepth > maxDepth: maxDepth = thisDepth #更新層數
    return maxDepth

#繪製結點
def plotNode(nodeTxt, centerPt, parentPt, nodeType):
    arrow_args = dict(arrowstyle="<-")  #定義箭頭格式
    #下麵的字體僅使用與Mac用戶,如果您是Windows用戶請修改為font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=14)
    font = FontProperties(fname=r'/System/Library/Fonts/Hiragino Sans GB.ttc', size=14)        #設置中文字體
    createPlot.ax1.annotate(nodeTxt, xy=parentPt,  xycoords='axes fraction',    #繪製結點
        xytext=centerPt, textcoords='axes fraction',
        va="center", ha="center", bbox=nodeType, arrowprops=arrow_args, fontproperties=font)

#標註有向邊屬性值
def plotMidText(cntrPt, parentPt, txtString):
    xMid = (parentPt[0]-cntrPt[0])/2.0 + cntrPt[0]                                            #計算標註位置
    yMid = (parentPt[1]-cntrPt[1])/2.0 + cntrPt[1]
    createPlot.ax1.text(xMid, yMid, txtString, va="center", ha="center", rotation=30)

#繪製決策樹
def plotTree(myTree, parentPt, nodeTxt):
    decisionNode = dict(boxstyle="sawtooth", fc="0.8")                                        #設置結點格式
    leafNode = dict(boxstyle="round4", fc="0.8")                                            #設置葉結點格式
    numLeafs = getNumLeafs(myTree)                                                          #獲取決策樹葉結點數目,決定了樹的寬度
    depth = getTreeDepth(myTree)                                                            #獲取決策樹層數
    firstStr = next(iter(myTree))                                                            #下個字典
    cntrPt = (plotTree.xOff + (1.0 + float(numLeafs))/2.0/plotTree.totalW, plotTree.yOff)    #中心位置
    plotMidText(cntrPt, parentPt, nodeTxt)                                                    #標註有向邊屬性值
    plotNode(firstStr, cntrPt, parentPt, decisionNode)                                        #繪製結點
    secondDict = myTree[firstStr]                                                            #下一個字典,也就是繼續繪製子結點
    plotTree.yOff = plotTree.yOff - 1.0/plotTree.totalD                                        #y偏移
    for key in secondDict.keys():
        if type(secondDict[key]).__name__=='dict':                                            #測試該結點是否為字典,如果不是字典,代表此結點為葉子結點
            plotTree(secondDict[key],cntrPt,str(key))                                        #不是葉結點,遞歸調用繼續繪製
        else:                                                                                #如果是葉結點,繪製葉結點,並標註有向邊屬性值
            plotTree.xOff = plotTree.xOff + 1.0/plotTree.totalW
            plotNode(secondDict[key], (plotTree.xOff, plotTree.yOff), cntrPt, leafNode)
            plotMidText((plotTree.xOff, plotTree.yOff), cntrPt, str(key))
    plotTree.yOff = plotTree.yOff + 1.0/plotTree.totalD

#創建繪製面板
def createPlot(inTree):
    fig = plt.figure(1, facecolor='white') #創建fig
    fig.clf()   #清空fig
    axprops = dict(xticks=[], yticks=[])
    createPlot.ax1 = plt.subplot(111, frameon=False, **axprops) #去掉x、y軸
    plotTree.totalW = float(getNumLeafs(inTree)) #獲取決策樹葉結點數目
    plotTree.totalD = float(getTreeDepth(inTree)) #獲取決策樹層數
    plotTree.xOff = -0.5/plotTree.totalW; plotTree.yOff = 1.0; #x偏移
    plotTree(inTree, (0.5,1.0), '')  #繪製決策樹
    plt.show()  #顯示繪製結果

if __name__ == '__main__':
    dataSet, labels = createDataSet()
    featLabels = []
    myTree = createTree(dataSet, labels, featLabels)
    print(myTree)
    createPlot(myTree)

運行遇到的錯誤:

  • 1.AttributeError:module 'backend_interagg' has no attribute 'FigureCanvas'
    解決方法:
    在pycharm中打開" File --> Settings --> Tools --> Python Scientific ",將"Show plots in toolwindow"去掉勾選,並應用。

  • 2.'Annotation' object has no property 'FontProperties'
    解決方法:
    找了一會發現是字體問題,因為我的電腦是Mac系統,在字體設置與Windows有些區別,讀者可以根據如下步驟修改:首先在終端輸入open /System/Library/Fonts然後找到一種字體,並複製其路徑,另外在調用的時候FontProperties要寫成小寫,否則也會報錯,如下圖

最終問題解決之後,運行結果如下圖


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 大家好,我是痞子衡,是正經搞技術的痞子。今天痞子衡給大家介紹的是i.MXRT10xx系列MCU外接24MHz晶振的作用。 痞子衡之前寫過一篇關於時鐘引腳的文章 《i.MXRT1xxx系列MCU時鐘相關功能引腳的作用》,裡面簡單提及了外部晶振相關引腳的作用,但是並沒有詳細展開。最近在客戶支持中,有客戶 ...
  • MySQL基礎知識02 4.CRUD 資料庫CRUD語句:增(create)、刪(delete)、改(update)、查(Retrieve) Insert 語句 (添加數據) Update 語句(更新數據) Delete 語句(刪除數據) Select 語句 (查找數據) 指對資料庫中表記錄的操作( ...
  • MySQL基本知識 1.資料庫 1.1.創建資料庫 語法: CREATE DATABASE [IF NOT EXISTS] db_name [create_specification[,create_specification]...] create_specification: [DEFAULT] ...
  • 一、在Bootstra5中使用媒體對象 Bootstrap 媒體對象在版本 5 中已經停止支持了。但是,我們仍然可以使用 flex 和 margin 創建包含左對齊或右對齊媒體對象(如圖像或視頻)以及文本內容(如博客評論、推文等)的佈局 。 <!doctype html> <html lang="z ...
  • 一、節流 概念:在規定的間隔時間範圍內不會重覆觸發回調,只有大於這個時間間隔才會觸發回調,把頻繁觸發變為少量觸發。 類似於技能CD。 應用:點擊按鈕,輪播圖點擊左右箭頭。 插件lodash.js,它裡面封裝了函數的防抖與節流業務。 <p>計數器:<span>0</span></p> <button> ...
  • Spring 5框架 一、Spring概念 1、Spring是輕量級的JavaEE框架 2、Spring可以解決企業應用開發的複雜性 3、Spring有兩個核心部分:IOC和AOP ​ 1)IOC:控制反轉,把創建對象過程交給Spring進行管理 ​ 2)AOP:面向切麵,不修改源代碼進行功能增強 ...
  • LinkList可以定義指向List的指針 1.當函數參數為LinkList L時,意味著只改變或操作List的內容,而不需要改變L這個指針 如 Status GetElem(LinkList L,int i,ElemType) 2.當參數為LinkList &L時,意味著需要改變或操作L這個指針本 ...
  • ♠ use C++11 倍數 若 $a,b,k \in \mathbb N$,且 $a \times k=b$,那麼 $b$ 是 $a$ 的倍數,稱 $a$ 整除 $b$,記作 $a \mid b$。 $[1,n]\in \mathbb N$ 中 $x \in \mathbb N$ 的倍數有 $\l ...
一周排行
    -Advertisement-
    Play Games
  • Timer是什麼 Timer 是一種用於創建定期粒度行為的機制。 與標準的 .NET System.Threading.Timer 類相似,Orleans 的 Timer 允許在一段時間後執行特定的操作,或者在特定的時間間隔內重覆執行操作。 它在分散式系統中具有重要作用,特別是在處理需要周期性執行的 ...
  • 前言 相信很多做WPF開發的小伙伴都遇到過表格類的需求,雖然現有的Grid控制項也能實現,但是使用起來的體驗感並不好,比如要實現一個Excel中的表格效果,估計你能想到的第一個方法就是套Border控制項,用這種方法你需要控制每個Border的邊框,並且在一堆Bordr中找到Grid.Row,Grid. ...
  • .NET C#程式啟動閃退,目錄導致的問題 這是第2次踩這個坑了,很小的編程細節,容易忽略,所以寫個博客,分享給大家。 1.第一次坑:是windows 系統把程式運行成服務,找不到配置文件,原因是以服務運行它的工作目錄是在C:\Windows\System32 2.本次坑:WPF桌面程式通過註冊表設 ...
  • 在分散式系統中,數據的持久化是至關重要的一環。 Orleans 7 引入了強大的持久化功能,使得在分散式環境下管理數據變得更加輕鬆和可靠。 本文將介紹什麼是 Orleans 7 的持久化,如何設置它以及相應的代碼示例。 什麼是 Orleans 7 的持久化? Orleans 7 的持久化是指將 Or ...
  • 前言 .NET Feature Management 是一個用於管理應用程式功能的庫,它可以幫助開發人員在應用程式中輕鬆地添加、移除和管理功能。使用 Feature Management,開發人員可以根據不同用戶、環境或其他條件來動態地控制應用程式中的功能。這使得開發人員可以更靈活地管理應用程式的功 ...
  • 在 WPF 應用程式中,拖放操作是實現用戶交互的重要組成部分。通過拖放操作,用戶可以輕鬆地將數據從一個位置移動到另一個位置,或者將控制項從一個容器移動到另一個容器。然而,WPF 中預設的拖放操作可能並不是那麼好用。為瞭解決這個問題,我們可以自定義一個 Panel 來實現更簡單的拖拽操作。 自定義 Pa ...
  • 在實際使用中,由於涉及到不同編程語言之間互相調用,導致C++ 中的OpenCV與C#中的OpenCvSharp 圖像數據在不同編程語言之間難以有效傳遞。在本文中我們將結合OpenCvSharp源碼實現原理,探究兩種數據之間的通信方式。 ...
  • 一、前言 這是一篇搭建許可權管理系統的系列文章。 隨著網路的發展,信息安全對應任何企業來說都越發的重要,而本系列文章將和大家一起一步一步搭建一個全新的許可權管理系統。 說明:由於搭建一個全新的項目過於繁瑣,所有作者將挑選核心代碼和核心思路進行分享。 二、技術選擇 三、開始設計 1、自主搭建vue前端和. ...
  • Csharper中的表達式樹 這節課來瞭解一下表示式樹是什麼? 在C#中,表達式樹是一種數據結構,它可以表示一些代碼塊,如Lambda表達式或查詢表達式。表達式樹使你能夠查看和操作數據,就像你可以查看和操作代碼一樣。它們通常用於創建動態查詢和解析表達式。 一、認識表達式樹 為什麼要這樣說?它和委托有 ...
  • 在使用Django等框架來操作MySQL時,實際上底層還是通過Python來操作的,首先需要安裝一個驅動程式,在Python3中,驅動程式有多種選擇,比如有pymysql以及mysqlclient等。使用pip命令安裝mysqlclient失敗應如何解決? 安裝的python版本說明 機器同時安裝了 ...