mirror of
https://github.com/apachecn/ailearning.git
synced 2026-05-08 14:52:28 +08:00
Merge pull request #118 from chenyyx/master
添加决策树的隐形眼镜数据集，修改3.决策树.md 文件
This commit is contained in:
Joy yx
177
docs/3.决策树.md
177
docs/3.决策树.md
@@ -26,12 +26,14 @@
|
||||
|
||||
### 决策树 须知概念
|
||||
|
||||
<b>在数据集中度量一致性</b>
|
||||
#### 信息增益
|
||||
|
||||
划分数据集的最大原则是: 将无序的数据变得更加有序。我们可以使用多种方法划分数据集，但是每种方法都有各自的优缺点。组织杂乱无章数据的一种方法就是使用信息论度量信息，信息论是量化处理信息的分支科学。我们可以在划分数据之前或之后使用信息论量化度量信息的内容。
|
||||
|
||||
在划分数据集之前之后信息发生的变化称为信息增益，知道如何计算信息增益，我们就可以计算每个特征值划分数据集获得的信息增益，获得信息增益最高的特征就是最好的选择。
|
||||
|
||||
集合信息的度量方式称为香农熵或者简称为熵。
|
||||
|
||||
学习了如何度量数据集的无序程度之后，分类算法除了需要测量信息熵，还需要划分数据集，度量划分数据集的熵，以便判断当前是否正确地划分了数据集。我们将对每个特征划分数据集的结果计算一次信息熵，然后判断按照哪个特征划分数据集是最好的划分方式。
|
||||
|
||||
|
||||
@@ -61,11 +63,11 @@
|
||||
* 缺点：可能会产生过度匹配问题。
|
||||
* 适用数据类型：数值型和标称型。
|
||||
|
||||
## 决策树 项目实战
|
||||
## 决策树 项目案例
|
||||
|
||||
### 项目实战1: 判定鱼类和非鱼类
|
||||
### 项目案例1: 判定鱼类和非鱼类
|
||||
|
||||
#### 概述
|
||||
#### 项目概述
|
||||
|
||||
根据以下 2 个特征，将动物分成两类：鱼类和非鱼类。
|
||||
|
||||
@@ -73,11 +75,38 @@
|
||||
1. 不浮出水面是否可以生存
|
||||
2. 是否有脚蹼
|
||||
|
||||
#### 已知数据
|
||||
#### 开发流程
|
||||
|
||||
```
|
||||
收集数据：可以使用任何方法
|
||||
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。
|
||||
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。
|
||||
训练算法：构造树的数据结构
|
||||
测试算法：使用经验树计算错误率
|
||||
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。
|
||||
```
|
||||
|
||||
> 收集数据：可以使用任何方法
|
||||
|
||||
|
||||
|
||||
* 计算给定数据集的香农熵
|
||||
我们利用 createDataSet() 函数输入数据
|
||||
|
||||
```Python
|
||||
def createDataSet():
|
||||
dataSet = [[1, 1, 'yes'],
|
||||
[1, 1, 'yes'],
|
||||
[1, 0, 'no'],
|
||||
[0, 1, 'no'],
|
||||
[0, 1, 'no']]
|
||||
labels = ['no surfacing', 'flippers']
|
||||
return dataSet, labels
|
||||
```
|
||||
> 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。
|
||||
|
||||
此处，由于我们输入的数据本身就是离散化数据，所以这一步就省略了。
|
||||
|
||||
计算给定数据集的香农熵
|
||||
|
||||
```Python
|
||||
def calcShannonEnt(dataSet):
|
||||
@@ -94,7 +123,7 @@ def calcShannonEnt(dataSet):
|
||||
labelCounts[currentLabel] = 0
|
||||
labelCounts[currentLabel] += 1
|
||||
|
||||
# 对于label标签的占比，求出label标签的香农熵
|
||||
# 对于 label 标签的占比，求出 label 标签的香农熵
|
||||
shannonEnt = 0.0
|
||||
for key in labelCounts:
|
||||
# 使用所有类标签的发生频率计算类别出现的概率。
|
||||
@@ -104,7 +133,7 @@ def calcShannonEnt(dataSet):
|
||||
return shannonEnt
|
||||
```
|
||||
|
||||
* 按照给定特征划分数据集
|
||||
按照给定特征划分数据集
|
||||
|
||||
```Python
|
||||
def splitDataSet(dataSet, axis, value):
|
||||
@@ -117,15 +146,100 @@ def splitDataSet(dataSet, axis, value):
|
||||
return retDataSet
|
||||
```
|
||||
|
||||
选择最好的数据集划分方式
|
||||
|
||||
```Python
|
||||
def chooseBestFeatureToSplit(dataSet):
|
||||
"""chooseBestFeatureToSplit(选择最好的特征)
|
||||
|
||||
Args:
|
||||
dataSet 数据集
|
||||
Returns:
|
||||
bestFeature 最优的特征列
|
||||
"""
|
||||
# 求第一行有多少列的 Feature, 最后一列是label列嘛
|
||||
numFeatures = len(dataSet[0]) - 1
|
||||
# label的信息熵
|
||||
baseEntropy = calcShannonEnt(dataSet)
|
||||
# 最优的信息增益值, 和最优的Featurn编号
|
||||
bestInfoGain, bestFeature = 0.0, -1
|
||||
# iterate over all the features
|
||||
for i in range(numFeatures):
|
||||
# create a list of all the examples of this feature
|
||||
# 获取每一个实例的第i+1个feature，组成list集合
|
||||
featList = [example[i] for example in dataSet]
|
||||
# get a set of unique values
|
||||
# 获取剔重后的集合，使用set对list数据进行去重
|
||||
uniqueVals = set(featList)
|
||||
# 创建一个临时的信息熵
|
||||
newEntropy = 0.0
|
||||
# 遍历某一列的value集合，计算该列的信息熵
|
||||
# 遍历当前特征中的所有唯一属性值，对每个唯一属性值划分一次数据集，计算数据集的新熵值，并对所有唯一特征值得到的熵求和。
|
||||
for value in uniqueVals:
|
||||
subDataSet = splitDataSet(dataSet, i, value)
|
||||
prob = len(subDataSet)/float(len(dataSet))
|
||||
newEntropy += prob * calcShannonEnt(subDataSet)
|
||||
# gain[信息增益]: 划分数据集前后的信息变化， 获取信息熵最大的值
|
||||
# 信息增益是熵的减少或者是数据无序度的减少。最后，比较所有特征中的信息增益，返回最好特征划分的索引值。
|
||||
infoGain = baseEntropy - newEntropy
|
||||
print 'infoGain=', infoGain, 'bestFeature=', i, baseEntropy, newEntropy
|
||||
if (infoGain > bestInfoGain):
|
||||
bestInfoGain = infoGain
|
||||
bestFeature = i
|
||||
return bestFeature
|
||||
```
|
||||
|
||||
> 训练算法：构造树的数据结构
|
||||
|
||||
创建树的函数代码
|
||||
|
||||
```Python
|
||||
def createTree(dataSet, labels):
|
||||
classList = [example[-1] for example in dataSet]
|
||||
# 如果数据集的最后一列的第一个值出现的次数=整个集合的数量，也就说只有一个类别，就只直接返回结果就行
|
||||
# 第一个停止条件：所有的类标签完全相同，则直接返回该类标签。
|
||||
# count() 函数是统计括号中的值在list中出现的次数
|
||||
if classList.count(classList[0]) == len(classList):
|
||||
return classList[0]
|
||||
# 如果数据集只有1列，那么最初出现label次数最多的一类，作为结果
|
||||
# 第二个停止条件：使用完了所有特征，仍然不能将数据集划分成仅包含唯一类别的分组。
|
||||
if len(dataSet[0]) == 1:
|
||||
return majorityCnt(classList)
|
||||
|
||||
# 选择最优的列，得到最优列对应的label含义
|
||||
bestFeat = chooseBestFeatureToSplit(dataSet)
|
||||
# 获取label的名称
|
||||
bestFeatLabel = labels[bestFeat]
|
||||
# 初始化myTree
|
||||
myTree = {bestFeatLabel: {}}
|
||||
# 注：labels列表是可变对象，在PYTHON函数中作为参数时传址引用，能够被全局修改
|
||||
# 所以这行代码导致函数外的同名变量被删除了元素，造成例句无法执行，提示'no surfacing' is not in list
|
||||
del(labels[bestFeat])
|
||||
# 取出最优列，然后它的branch做分类
|
||||
featValues = [example[bestFeat] for example in dataSet]
|
||||
uniqueVals = set(featValues)
|
||||
for value in uniqueVals:
|
||||
# 求出剩余的标签label
|
||||
subLabels = labels[:]
|
||||
# 遍历当前选择特征包含的所有属性值，在每个数据集划分上递归调用函数createTree()
|
||||
myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value), subLabels)
|
||||
# print 'myTree', value, myTree
|
||||
return myTree
|
||||
```
|
||||
|
||||
> 测试算法：使用经验树计算错误率
|
||||
|
||||
> 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。
|
||||
|
||||
[完整代码地址](https://github.com/apachecn/MachineLearning/blob/master/src/python/3.DecisionTree/DecisionTree.py): <https://github.com/apachecn/MachineLearning/blob/master/src/python/3.DecisionTree/DecisionTree.py>
|
||||
|
||||
### 项目实战2: 使用决策树预测隐形眼镜类型
|
||||
### 项目案例2: 使用决策树预测隐形眼镜类型
|
||||
|
||||
#### 概述
|
||||
#### 项目概述
|
||||
|
||||
隐形眼镜类型包括应材质、软材质以及不适合佩戴隐形眼镜。我们需要使用决策树预测患者需要佩戴的隐形眼镜类型。
|
||||
|
||||
#### 流程
|
||||
#### 开发流程
|
||||
|
||||
1. 收集数据: 提供的文本文件。
|
||||
2. 解析数据: 解析 tab 键分隔的数据行
|
||||
@@ -134,7 +248,46 @@ def splitDataSet(dataSet, axis, value):
|
||||
5. 测试算法: 编写测试函数验证决策树可以正确分类给定的数据实例。
|
||||
6. 使用算法: 存储树的数据结构，以便下次使用时无需重新构造树。
|
||||
|
||||
* 使用 pickle 模块存储决策树
|
||||
> 收集数据：提供的文本文件
|
||||
|
||||
文本文件数据格式如下：
|
||||
|
||||
```
|
||||
young myope no reduced no lenses
|
||||
pre myope no reduced no lenses
|
||||
presbyopic myope no reduced no lenses
|
||||
```
|
||||
|
||||
> 解析数据：解析 tab 键分隔的数据行
|
||||
|
||||
```Python
|
||||
lecses = [inst.strip().split('\t') for inst in fr.readlines()]
|
||||
lensesLabels = ['age', 'prescript', 'astigmatic', 'tearRate']
|
||||
```
|
||||
|
||||
> 分析数据：快速检查数据，确保正确地解析数据内容，使用 createPlot() 函数绘制最终的树形图。
|
||||
|
||||
```Python
|
||||
>>> treePlotter.createPlot(lensesTree)
|
||||
```
|
||||
|
||||
> 训练算法：使用 createTree() 函数
|
||||
|
||||
```Python
|
||||
>>> lensesTree = trees.createTree(lenses, lensesLabels)
|
||||
>>> lensesTree
|
||||
{'tearRate': {'reduced': 'no lenses', 'normal': {'astigmatic':{'yes':
|
||||
{'prescript':{'hyper':{'age':{'pre':'no lenses', 'presbyopic':
|
||||
'no lenses', 'young':'hard'}}, 'myope':'hard'}}, 'no':{'age':{'pre':
|
||||
'soft', 'presbyopic':{'prescript': {'hyper':'soft', 'myope':
|
||||
'no lenses'}}, 'young':'soft'}}}}}
|
||||
```
|
||||
|
||||
> 测试算法: 编写测试函数验证决策树可以正确分类给定的数据实例。
|
||||
|
||||
> 使用算法: 存储树的数据结构，以便下次使用时无需重新构造树。
|
||||
|
||||
使用 pickle 模块存储决策树
|
||||
|
||||
```Python
|
||||
def storeTree(inputTree, filename):
|
||||
|
||||
24
input/3.DecisionTree/lenses.txt
Normal file
24
input/3.DecisionTree/lenses.txt
Normal file
@@ -0,0 +1,24 @@
|
||||
young myope no reduced no lenses
|
||||
young myope no normal soft
|
||||
young myope yes reduced no lenses
|
||||
young myope yes normal hard
|
||||
young hyper no reduced no lenses
|
||||
young hyper no normal soft
|
||||
young hyper yes reduced no lenses
|
||||
young hyper yes normal hard
|
||||
pre myope no reduced no lenses
|
||||
pre myope no normal soft
|
||||
pre myope yes reduced no lenses
|
||||
pre myope yes normal hard
|
||||
pre hyper no reduced no lenses
|
||||
pre hyper no normal soft
|
||||
pre hyper yes reduced no lenses
|
||||
pre hyper yes normal no lenses
|
||||
presbyopic myope no reduced no lenses
|
||||
presbyopic myope no normal no lenses
|
||||
presbyopic myope yes reduced no lenses
|
||||
presbyopic myope yes normal hard
|
||||
presbyopic hyper no reduced no lenses
|
||||
presbyopic hyper no normal soft
|
||||
presbyopic hyper yes reduced no lenses
|
||||
presbyopic hyper yes normal no lenses
|
||||
Reference in New Issue
Block a user