機械学習実戦python版第三章決定ツリーコード理解

5777 ワード

今日から第三章の決定木を勉強します.
前の決定木の説明は私は書かないで、本の上で書いたのはすべてとてもはっきりしていて、特徴の違いによって次第にデータに対して分類して、形は1つの逆立ちの木のようです.決定木アルゴリズムはkNNのアルゴリズムより複雑度が低く,理解にも一定の難易度がある.
じょうほうりとく
各グループのデータには独自のエントロピーがあり、データは整然としており、エントロピーは低い.すなわち,同一クラスに属するデータエントロピーは低く,混合するデータエントロピーほど高い.計算データセットのエントロピーコードは次のとおりです.
def calcShannonEnt(dataSet):
    numEntries = len(dataSet)#     
    labelCounts = {}
    for featVec in dataSet: #the the number of unique elements and their occurance
        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) #log base 2
    return shannonEnt

データセットの分割
一つの特徴に基づいてデータを区分することです.コードは次のとおりです.
def splitDataSet(dataSet,axis,value):
    retDataSet = []
    for featVec in dataSet:
        if featVec[axis] == value:
            reducedFeatVec = featVec[:axis]#axis = 0         
            reducedFeatVec.extend(featVec[axis + 1:])
            retDataSet.append(reducedFeatVec)
    return retDataSet

appendとextendの2つの関数は面白いです.
結果は次のとおりです.
>>> import trees
>>> myDat,labels = trees.createDataSet()
>>> myDat
[[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']]
>>> trees.splitDataSet(myDat,0,1)
[[1, 'yes'], [1, 'yes'], [0, 'no']]

しかし,実際の操作では分類根拠の特徴を常に人工的に入力することはできない.私たちは機械がデータの特徴に基づいて自分で最適な分類特徴を判断する必要がある.コードは次のとおりです.
def chooseBestFeatureToSplit(dataSet):
    numFeatures = len(dataSet[0]) - 1      #   
    baseEntropy = calcShannonEnt(dataSet)
    bestInfoGain = 0.0; bestFeature = -1
    for i in range(numFeatures):        # 012     
        featList = [example[i] for example in dataSet]#create a list of all the examples of this feature       i   ,
        uniqueVals = set(featList)       #     , {0,1}。{yes,no}
        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     #calculate the info gain; ie reduction in entropy     。
        if (infoGain > bestInfoGain):       #compare this to the best gain so far
            bestInfoGain = infoGain         #if better than current best, set to best
            bestFeature = i
    return bestFeature                      #returns an integer

結果は次のとおりです.
>>> import trees
>>> myDat,labels = trees.createDataSet()
>>> trees.chooseBestFeatureToSplit(myDat)
0

意思決定ツリーの作成
本の中の内容はやはり比較的に理解しやすくて、木の創立理論もとても詳しく書いて、主にコードが比較的に分かりにくいので、pythonのコードはとても簡潔なので、見た目ももっと難しいです.
ツリーの関数コードを作成するには、次の手順に従います.
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):
    classList = [example[-1] for example in dataSet]
    if classList.count(classList[0]) == len(classList): 
        return classList[0]#stop splitting when all of the classes are equal
    if len(dataSet[0]) == 1: #stop splitting when there are no more features in dataSet
        return majorityCnt(classList)
    bestFeat = chooseBestFeatureToSplit(dataSet)
    bestFeatLabel = labels[bestFeat]
    myTree = {bestFeatLabel:{}}
    del(labels[bestFeat])
    featValues = [example[bestFeat] for example in dataSet]
    uniqueVals = set(featValues)
    for value in uniqueVals:
        subLabels = labels[:]       #copy all of labels, so trees don't mess up existing labels
        myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value),subLabels)
    return myTree                            
    

まずこれは再帰関数であり,関数自身が絶えず自分を呼び出し,終了状況に遭遇したときに一歩一歩戻る.if classList.count(classList[0]) == len(classList):         return classList[0]#stop splitting when all of the classes are equal
クラスのデータが同じ場合
if len(dataSet[0])==1:stop splitting when there are no more features in dataSet return majorityCnt(classList)が1つのデータしかない場合myTree={bestFeatLabel:{}}後ろの付与のためにツリーを作成します.
del(labels[bestFeat])クラスラベルfeatValues=[example[bestFeat]for example in dataSet]uniqueVals=set(featValues)for value in uniqueVals:subLabels=labels[:]copy all of labels,so trees don't mess up existing labels myTree[bestFeatLabel][value]=createTree(splitDataSet(dataSet,bet,bet,bet,bet,bedel(labels)削除クラスラベルfeatValues=[example[example[bestFeat]for example[bestFeat]for example in example in datastFeat,value),subLabels)再帰,2つのcreatTreeを呼び出すたびに、2つの辞書に分けて値を割り当てます.
結果は次のとおりです.
>>> myDat,labels = trees.createDataSet()
>>> myTree = trees.createTree(myDat,labels)
>>> myTrees

Traceback (most recent call last):
  File "", line 1, in 
    myTrees
NameError: name 'myTrees' is not defined
>>> myTree
{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}}

次の内容は明日また书きますので、ご指导をお愿いします.