機械学習古典アルゴリズム2-決定ツリー

一、アルゴリズムが簡単である
意思決定ツリーの基本理念は、絶えず条件を選別することで、最後の答えを得ることです.knnアルゴリズムの最大の欠点は,データの内在的な意味を与えることができず,決定ツリーはデータ形式で非常に理解しやすく,一定の実用的な意義を持つことである.
ここで述べた決定木の非葉ノードの構築は,情報利得とエントロピーの概念に基づいており,これは自分で調べることができる.特定の属性でデータセットを分割する前後に生じるエントロピーの変化を計算することにより,情報利得が最も大きい特徴属性を分岐ノードとして選択し,決定ツリーの構造を一歩一歩行う.
二、アルゴリズムの一般的な流れ
       1.データの収集:任意の方法と方法
       2.データの準備:データは離散化する必要があります
       3.解析データ:構築ツリーが完了したら、グラフィックが予測に合致するかどうかを確認します.
       4.トレーニングアルゴリズム:決定ツリーの構造
       5.テストアルゴリズム:一般的に決定ツリーを分類に使用し、エラー率で測定できます.
       6.≪アルゴリズムの使用|Use Algoriths|emdw≫:決定ツリーは、任意の監督学習アルゴリズムに使用できます.
三、アルゴリズムの偽コード
      1.決定木が構築されたか否かを判断し、そうでなければ2を実行し、そうでなければ3を実行する.終了条件があります:すべてのクラスラベルは完全に同じで、そのクラスラベルに戻ればいいです.すべてのフィーチャーの使用が完了しても、データセットを一意のカテゴリを含むグループに分割することはできません.この場合、出現回数の多いカテゴリが返されます.
      2.選択時の情報ゲイン最大の特徴を分岐ノードとし,分岐ノードの各特定値に対して1を呼び出す.
      3.意思決定ツリーの構築が完了し、テストデータを分類する
四、コード実装と例
 

import matplotlib.pyplot as plt
from math import log
import operator
'''calculate shannon entropy:count different distribution first then calculate'''
def calcShannonEnt(dataSet):
    numEntries = len(dataSet)
    labelCounts={}
    for featVec in dataSet:
        currentLabel = featVec[-1]
        if currentLabel not in labelCounts.keys():
            labelCounts[currentLabel]=0
        labelCounts[currentLabel]+=1
    shannonEnt = 0.0
    for key in labelCounts:
        prob = float(labelCounts[key])/numEntries
        shannonEnt -= prob*log(prob,2)
    return shannonEnt
'''split the dataSet with the given feature index, form new dataSet without the given feature'''
def splitDataSet(dataSet, axis, value):
    retDataSet = []
    for featVec in dataSet:
        if featVec[axis] == value:
            reducedFeatVec = featVec[:axis]
            reducedFeatVec.extend(featVec[axis+1:])
            retDataSet.append(reducedFeatVec)
    return retDataSet
'''choose the besf feature index with the largest information gain'''
def chosenBestFeatureToSplit(dataSet):
    numFeatures = len(dataSet[0])-1
    baseEntropy = calcShannonEnt(dataSet)
    bestInfoGain = 0
    bestFeature = -1
    for i in range(numFeatures):
        featList = [example[i] for example in dataSet]
        uniqueVals = set(featList)
        newEntropy = 0.0
        for value in uniqueVals:
            subDataSet = splitDataSet(dataSet, i, value)
            prob = len(subDataSet)/float(len(dataSet))
            newEntropy += prob*calcShannonEnt(subDataSet)
        infoGain = baseEntropy - newEntropy
        if(infoGain > bestInfoGain):
            bestInfoGain = newEntropy
            bestFeature = i
    return bestFeature
'''return the majority of the list, for figure out the class with unpurity examples'''
def majorityCnt(classList):
    classCount = {}
    for vote in classList:
        if vote not in classCount.keys():
            classCount[vote] = 0
        classCount[vote] += 1
    sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1),
                              reverse=True)
    return sortedClassCount[0][0]
def createTree(dataSet, labels):
    '''if we modify labels_t, python will not labels simutaneously'''
    labels_t = labels[:]
    classList = [example[-1] for example in dataSet]
    if classList.count(classList[0]) == len(classList):
        return classList[0]
    if len(dataSet[0])==1:
        return majorityCnt(classList)
    bestFeat = chosenBestFeatureToSplit(dataSet)
    bestFeatLabel = labels[bestFeat]
    myTree={bestFeatLabel:{}}
    del(labels_t[bestFeat])
    featValues =[example[bestFeat] for example in dataSet]
    uniqueVals = set(featValues)
    for value in uniqueVals:
        subLabels = labels_t[:]
        myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value),subLabels)
    return myTree
def storeTree(inputTree, filename):
    import pickle
    fw = open(filename,'w')
    pickle.dump(inputTree,fw)
    fw.close()
def grabTree(filename):
    import pickle
    fr = open(filename)
    return pickle.load(fr)
def classify(inputTree, featLabels, testVec):
    firstStr = inputTree.keys()[0]
    secondDict = inputTree[firstStr]
    featIndex = featLabels.index(firstStr)
    for key in secondDict.keys():
        if testVec[featIndex]==key:
            if type(secondDict[key]).__name__=='dict':
                classLabel = classify(secondDict[key], featLabels, testVec)
            else:
                classLabel = secondDict[key]
    return classLabel
myDat = [[1,1,'yes'],
         [1,1,'yes'],
         [1,0,'no'],
         [0,1,'no'],
         [0,1,'no']
         ]
labels = ['no surfacing','flippers']
myT = createTree(myDat, labels)
print myT
fileName="tmpTree.txt"
storeTree(myT,fileName)
print grabTree(fileName)
print classify(myT, labels, [1,0])