机器学习 决策树算法探究

一、前沿

决策树是一种非常常用的机器学习算法，可以应用于分类和回归中，其中比较著名的有三种：ID3、C4.5和Cart算法。对于前两种只能针对分类，即离散数据集，且可以是多叉分类树；最后一种CART算法是分类决策树，既可以用于分类树，也可以用于回归树。决策树由节点和有向边组成。节点又分为内部节点和叶子节点。内部节点表示一个特征或属性；叶子节点表示一个分类。

接下来通过一一介绍这三个算法来分析决策树算法。

二、重要概念

2.1 熵(Entropy)

表示随机变量的不确定性的度量。熵越大，则其随机变量的不确定性也越大。

设：X是取有限值得离散随机变量，其概率分布是：

则随机变量X的熵定义为：

          

2.2  条件熵

条件熵H(Y|X)表示在已知随机变量X的条件下，随机变量Y的不确定性；即随机变量X给定的条件下，变量Y的条件熵。

这个表示在某种特征的条件下，所得到的条件熵。

2.3  经验熵和经验条件熵

当熵和条件熵中的概率由数据估计(特别是极大似然估计)得到时，所对应的熵和条件熵分别经验熵和经验条件熵。

2.4  信息增益

当训练集合D的经验熵H(D)与特征A给定条件下的经验条件熵H(D|A)之差：

g(D,A) = H(D) - H(D|A)

2.5  信息增益率

信息增益g(D,A)与训练数据集D关于特征A的值的熵之比。即

其中，

而ID3采用信息增益来作为划分依据，C4.5采用信息增益率来作为划分的依据。

2. 6  基尼指数

也是用来衡量数据不确定性的一个指标，在分类问题中，假设有K个类，样本点属于第K类的概率为Pk,则基尼指数定义为：

CART算法在分类问题中，基尼指数作为特征选择的依据，选择基尼指数最小的特征及切分点作为最优特征和最优切分点。

在回归问题中，特征选择及最佳划分特征值的依据是：划分后的样本的均方差之和最小。

三、算法分析

清楚决策树停止划分的情况：

1、当前数据集的属性值为空。

2、当前所有样本的类别相同。

3、信息增益小于一定的值。(预剪枝中使用)

算法实现主要包括两大模块：最优划分特征选择和决策树的生成。

最优划分特征选择部分

1、计算信息熵： 
输入：数据集（含标签） 
输出：信息熵 

2、划分数据集 
输入：数据集、属性（特征）、指定特征值value 
输出：具有该指定特征值的所有数据集 
重难点：数据切分，选出指定的数据！首先找到所有属性的值是value 的样本，然后去除该属性。组成返回数据集！！！在决策树生成部分的步骤e中很重要。

3、选择最佳特征 
输入：数据集（含类别标签）、所有属性值 
输出：最佳特征 
a、计算数据集总的信息熵 Entropy 
b、分别遍历每一个属性（特征）（一个属性可能有多个特征值）,计算每个属性下的信息增益（包含多个特征值下的信息熵）Em 
c、寻找最大的（Entropy - Em），此时即是最大的信息增益，选择的特征既是最佳分类特征。

4、投票表决 
输入：数据集 
输出：类别标签 
统计该数据集下每个类别出现的次数，排序，返回出现次数最多的类别。

决策树的生成（该函数是一个递归的过程）CreateTree

输入：数据集、特征 
输出：字典型数据——决策树 
a、判断是否满足停止划分的条件 
若当前数据集的属性值为空，则投票表决当前样本中最多的类别 
若当前所有的样本类别相同，则返回当前数据的类别。

b、寻找当前数据的最佳划分特征 
c、将最佳特征作为关键字，保存到字典中 
d、从当前的属性集合中删除该最佳特征 
e、遍历该最佳划分特征的所有属性值feat，循环调用函数 CreateTree(输入参数为：最佳特征值为feat的所有数据集,去除最佳特征的属性集合)

四、代码注意： 
1、生成的决策树用字典保存，并且每个关键字的值是一个字典； 
2、生成的决策树可以用 pickle 序列化对象保存； 
3、ID3 算法适用于标称型数据，在函数的输入、输出中，数据类型为 list

五、代码

#-*- coding:utf-8 -*-
import numpy as np
from numpy import *
import pandas as pd
from math import *
import operator
import pickle              # 使用该模块实现对决策树的保存

# 数据导入
def loadData(fileName):
    dataSet = []
    fr = open(fileName)
    for featVector in fr.readlines():
        lineVector = featVector.strip().split('\t')
        dataSet.append(lineVector)
    return dataSet

def calcuEntropy(myData):     # 计算信息熵
    numSample = len(myData)
    myClassCount = {}
    for featVector in myData:
        theKey = featVector[-1]
        if theKey not in myClassCount:
            myClassCount[theKey] = 0
        myClassCount[theKey] += 1
    myEntropy = 0
    for Keys in myClassCount.keys():
        Px = float(myClassCount[Keys])/numSample
        myEntropy -= Px*log(Px,2)            # 需要导入 math 库
    return myEntropy

# 划分数据集：返回划分好的数据集
def splitDataSet(dataX,FeatureNumber,value):  # 输入：数据集、第i 个特征、该属性的值
    retMat = []
    for featVect in dataX:
        if featVect[FeatureNumber] == value:
            x1 = featVect[:FeatureNumber]
            x2 = featVect[FeatureNumber+1:]
            x1.extend(x2)
            retMat.append(x1)
    #print"retMat", retMat
    return retMat

 # 计算最优特征：计算每个特征下的信息熵，信息熵最大的既是最优特征，返回的数字 i 代表第 i 个特征
def GetBestFeature(dataM):
    BestFeat = -1; LargestInformGain = -1      # 最佳特征、最大信息增益
    theEntropy = calcuEntropy(dataM)
    FeatNumber = len(dataM[0])-1
    for i in range(FeatNumber):
        FeatList = [example[i] for example in dataM]  # 统计每个特征有几个特征值
        FeatUnique = set(FeatList)              # 每个特征中的特征值，计算每个特征值下的信息增益
        NewEntropy = 0.0
        for j in FeatUnique:
            retMat = splitDataSet(dataM,i,j)     # 得到满足条件的数据
            Prob =  len(retMat)/float(len(dataM))
            NewEntropy -= Prob*calcuEntropy(retMat)         # 注意：这里是子数据集的概率x 该数据集的熵
        informGain = theEntropy + NewEntropy
        if informGain > LargestInformGain:
            LargestInformGain = informGain
            BestFeat = i
    return BestFeat

def RoleOfVote(dataM):           # 投票规则：少数服从多数
    lables = [example[-1] for example in dataM]
    lablesCount = {}
    for i in lables:
        if i not in lablesCount.keys():
            lablesCount[i] = 0
        lablesCount[i] += 1
    theSort = sorted(lablesCount.iteritems(),key =operator.itemgetter(1),reverse=True)
    return theSort[0][0]                # 返回出现次数最多的类别标签


# 决策树生成: 首先，判断是否满足停止划分的条件:1、所有的类别标签相同  2、属性值为空
def CreateTree(dataSet,label):
    allLabels = [example[-1] for example in dataSet]
    #print "调用几次"
    if allLabels.count(allLabels[0])==len(allLabels):
        return allLabels[0]
    if(len(dataSet[0])==1):                # 没有属性可以划分时,采用投票规则
        return RoleOfVote(dataSet)
    featNumber = GetBestFeature(dataSet)      # 返回最佳划分的编号
    #print featNumber
    bestFeature = label[featNumber]
    myTree = {bestFeature:{}}
    del(label[featNumber])
    featValue =  [example[featNumber] for example in dataSet]
    uniqueFeatValues = set(featValue)
    for i in uniqueFeatValues:
        subLabels = label[:]
        myTree[bestFeature][i] = CreateTree(splitDataSet(dataSet, featNumber, i), subLabels)
    return myTree

# 对输入样本进行分类
def SampleClassify(inputTree, featLabels, testVec):            # 输入树、属性标签、测试向量
    firstStr = inputTree.keys()[0]                           # 决策树的第一个关键词（第一个划分的属性）
    secondDict = inputTree[firstStr]                          # 决策树每个关键字对应的值也是字典
    featIndex = featLabels.index(firstStr)                  # 得到该特征在属性标签中的编号 K
    key = testVec[featIndex]                                # 得到当前测试向量中第 K 号特征值
    valueOfFeat = secondDict[key]
    if isinstance(valueOfFeat, dict):
        classLabel = SampleClassify(valueOfFeat, featLabels, testVec)
    else:
        classLabel = valueOfFeat
    return classLabel

# 将生成的树保存
def storeTree(inputTree, filename):
    fw = open(filename, 'w')
    pickle.dump(inputTree, fw)
    fw.close()

# 加载保存的树
def loadTree(filename):
    fr = open(filename)
    return pickle.load(fr)

if __name__=="__main__":
    print "hello world"
    dataSet = loadData('lenses.txt')
    labels = ['age','prescript','astigmatic','tearRate']
    slabels = labels[:]              # pyhton 函数中的参数是按照引用方式传递的，为防止labels 改变，复制类标签带入
    myTree = CreateTree(dataSet,slabels)
    print labels
    #storeTree(myTree,"xu")              # 保存决策树
    test = dataSet[0]
    #print test[:-1]
    print"预测结果是：", SampleClassify(myTree,labels,test[:-1])
    print"真是标签是：",test[-1]

六、CART算法

1、特征选择（依据：总方差最小）

输入：数据集、op = [m,n] 
输出：最佳特征、最佳划分特征值

m表示剪枝前总方差与剪枝后总方差差值的最小值； n: 数据集划分为左右两个子数据集后，子数据集中的样本的最少数量；

1、判断数据集中所有的样本标签是否相同，是：返回当前标签； 
2、遍历所有的样本特征，遍历每一个特征的特征值。计算出每一个特征值下的数据总方差，找出使总方差最小的特征、特征值 
3、比较划分前和划分后的总方差大小；若划分后总方差减少较小，则返回的最佳特征为空，返回的最佳划分特征值会为当前数据集标签的平均值。 
4、比较划分后的左右分支数据集样本中的数量，若某一分支数据集中样本少于指定数量op[1]，则返回的最佳特征为空， 
返回的最佳划分特征值会为当前数据集标签的平均值。 
5、否则，返回使总方差最小的特征、特征值

二、回归树的生成函数 createTree 
输入：数据集 
输出：生成回归树 
1、得到当前数据集的最佳划分特征、最佳划分特征值 
2、若返回的最佳特征为空，则返回最佳划分特征值（作为叶子节点） 
3、声明一个字典，用于保存当前的最佳划分特征、最佳划分特征值 
4、执行二元切分；根据最佳划分特征、最佳划分特征值，将当前的数据划分为两部分 
5、在左子树中调用createTree 函数, 在右子树调用createTree 函数。 
6、返回树。

注：在生成的回归树模型中，划分特征、特征值、左节点、右节点均有相应的关键词对应。

三、（后）剪枝：（CART 树一定是二叉树，所以，如果发生剪枝，肯定是将两个叶子节点合并）

输入：树、测试集 
输出：树

1、判断测试集是否为空，是：对树进行塌陷处理 
2、判断树的左右分支是否为树结构，是：根据树当前的特征值、划分值将测试集分为Lset、Rset两个集合； 
3、判断树的左分支是否是树结构：是：在该子集递归调用剪枝过程； 
4、判断树的右分支是否是树结构：是：在该子集递归调用剪枝过程； 
5、判断当前树结构的两个节点是否为叶子节点： 
是: 
a、根据当前树结构，测试集划分为Lset,Rset两部分； 
b、计算没有合并时的总方差NoMergeError，即：测试集在Lset 和 Rset 的总方差之和； 
c、合并后，取叶子节点值为原左右叶子结点的均值。求取测试集在该节点处的总方差MergeError，； 
d、比较合并前后总方差的大小；若NoMergeError > MergeError,返回合并后的节点；否则，返回原来的树结构； 
否： 
返回树结构。

代码如下：

#-*- coding:utf-8 -*-
from numpy import *
import numpy as np
# 三大步骤：
'''
1、特征的选择：标准：总方差最小
2、回归树的生成：停止划分的标准
3、剪枝：
'''

# 导入数据集
def loadData(filaName):
    dataSet = []
    fr = open(filaName)
    for line in fr.readlines():
        curLine = line.strip().split('\t')
        theLine = map(float, curLine)                 # map all elements to float()
        dataSet.append(theLine)
    return dataSet

# 特征选择：输入：       输出：最佳特征、最佳划分值
'''
1、选择标准
遍历所有的特征Fi：遍历每个特征的所有特征值Zi；找到Zi,划分后总的方差最小
停止划分的条件：
1、当前数据集中的标签相同，返回当前的标签
2、划分前后的总方差差距很小，数据不划分，返回的属性为空，返回的最佳划分值为当前所有标签的均值。
3、划分后的左右两个数据集的样本数量较小，返回的属性为空，返回的最佳划分值为当前所有标签的均值。
当划分的数据集满足上述条件之一，返回的最佳划分值作为叶子节点；
当划分后的数据集不满足上述要求时，找到最佳划分的属性，及最佳划分特征值
'''

# 计算总的方差
def GetAllVar(dataSet):
    return var(dataSet[:,-1])*shape(dataSet)[0]

# 根据给定的特征、特征值划分数据集
def dataSplit(dataSet,feature,featNumber):
    dataL =  dataSet[nonzero(dataSet[:,feature] > featNumber)[0]]
    dataR = dataSet[nonzero(dataSet[:,feature] <= featNumber)[0]]
    return dataL,dataR

# 特征划分
def choseBestFeature(dataSet,op = [1,4]):          # 三个停止条件可否当作是三个预剪枝操作
    if len(set(dataSet[:,-1].T.tolist()[0]))==1:     # 停止条件 1
        regLeaf = mean(dataSet[:,-1])         
        return None,regLeaf                   # 返回标签的均值作为叶子节点
    Serror = GetAllVar(dataSet)
    BestFeature = -1; BestNumber = 0; lowError = inf
    m,n = shape(dataSet) # m 个样本， n -1 个特征
    for i in range(n-1):    # 遍历每一个特征值
        for j in set(dataSet[:,i].T.tolist()[0]):
            dataL,dataR = dataSplit(dataSet,i,j)
            if shape(dataR)[0]<op[1] or shape(dataL)[0]<op[1]: continue  # 如果所给的划分后的数据集中样本数目甚少，则直接跳出
            tempError = GetAllVar(dataL) + GetAllVar(dataR)
            if tempError < lowError:
                lowError = tempError; BestFeature = i; BestNumber = j
    if Serror - lowError < op[0]:               # 停止条件 2   如果所给的数据划分前后的差别不大，则停止划分
        return None,mean(dataSet[:,-1])         
    dataL, dataR = dataSplit(dataSet, BestFeature, BestNumber)
    if shape(dataR)[0] < op[1] or shape(dataL)[0] < op[1]:        # 停止条件 3
        return None, mean(dataSet[:, -1])
    return BestFeature,BestNumber


# 决策树生成
def createTree(dataSet,op=[1,4]):
    bestFeat,bestNumber = choseBestFeature(dataSet,op)
    if bestFeat==None: return bestNumber
    regTree = {}
    regTree['spInd'] = bestFeat
    regTree['spVal'] = bestNumber
    dataL,dataR = dataSplit(dataSet,bestFeat,bestNumber)
    regTree['left'] = createTree(dataL,op)
    regTree['right'] = createTree(dataR,op)
    return  regTree

# 后剪枝操作
# 用于判断所给的节点是否是叶子节点
def isTree(Tree):
    return (type(Tree).__name__=='dict' )

# 计算两个叶子节点的均值
def getMean(Tree):
    if isTree(Tree['left']): Tree['left'] = getMean(Tree['left'])
    if isTree(Tree['right']):Tree['right'] = getMean(Tree['right'])
    return (Tree['left']+ Tree['right'])/2.0

# 后剪枝
def pruneTree(Tree,testData):
    if shape(testData)[0]==0: return getMean(Tree)
    if isTree(Tree['left'])or isTree(Tree['right']):
        dataL,dataR = dataSplit(testData,Tree['spInd'],Tree['spVal'])
    if isTree(Tree['left']):
        Tree['left'] = pruneTree(Tree['left'],dataL)
    if isTree(Tree['right']):
        Tree['right'] = pruneTree(Tree['right'],dataR)
    if not isTree(Tree['left']) and not isTree(Tree['right']):
        dataL,dataR = dataSplit(testData,Tree['spInd'],Tree['spVal'])
        errorNoMerge = sum(power(dataL[:,-1] - Tree['left'],2)) + sum(power(dataR[:,-1] - Tree['right'],2))
        leafMean = getMean(Tree)
        errorMerge = sum(power(testData[:,-1]-  leafMean,2))
        if errorNoMerge > errorMerge:
            print"the leaf merge"
            return leafMean
        else:
            return Tree
    else:
        return Tree

# 预测
def forecastSample(Tree,testData):
    if not isTree(Tree): return float(tree)
    # print"选择的特征是：" ,Tree['spInd']
    # print"测试数据的特征值是：" ,testData[Tree['spInd']]
    if testData[0,Tree['spInd']]>Tree['spVal']:
        if isTree(Tree['left']):
            return forecastSample(Tree['left'],testData)
        else:
            return float(Tree['left'])
    else:
        if isTree(Tree['right']):
            return forecastSample(Tree['right'],testData)
        else:
            return float(Tree['right'])

def TreeForecast(Tree,testData):
    m = shape(testData)[0]
    y_hat = mat(zeros((m,1)))
    for i in range(m):
        y_hat[i,0] = forecastSample(Tree,testData[i])
    return y_hat

if __name__=="__main__":
    print "hello world"
    dataMat = loadData("ex2.txt")
    dataMat = mat(dataMat)
    op = [1,6]    # 参数1：剪枝前总方差与剪枝后总方差差值的最小值；参数2：将数据集划分为两个子数据集后，子数据集中的样本的最少数量；        
    theCreateTree =  createTree(dataMat,op)
   # 测试数据
    dataMat2 = loadData("ex2test.txt")
    dataMat2 = mat(dataMat2)
    #thePruneTree =  pruneTree(theCreateTree, dataMat2)
    #print"剪枝后的后树：\n",thePruneTree
    y = dataMat2[:, -1]
    y_hat = TreeForecast(theCreateTree,dataMat2)
    print corrcoef(y_hat,y,rowvar=0)[0,1]              # 用预测值与真实值计算相关系数