決策樹的python實現方法_python

本文執行個體講述了決策樹的python實現方法。分享給大家供大家參考。具體實現方法如下：

決策樹演算法優缺點：

優點：計算複雜度不高，輸出結果易於理解，對中間值缺失不敏感，可以處理不相關的特徵資料

缺點：可能會產生過度匹配的問題

適用資料類型：數值型和標稱型

演算法思想：

1.決策樹構造的整體思想：

決策樹說白了就好像是if-else結構一樣，它的結果就是你要產生這個一個可以從根開始不斷判斷選擇到葉子節點的樹，但是呢這裡的if-else必然不會是讓我們認為去設定的，我們要做的是提供一種方法，電腦可以根據這種方法得到我們所需要的決策樹。這個方法的重點就在於如何從這麼多的特徵中選擇出有價值的，並且按照最好的順序由根到葉選擇。完成了這個我們也就可以遞迴構造一個決策樹了

2.資訊增益

劃分資料集的最大原則是將無序的資料變得更加有序。既然這又牽涉到資訊的有序無序問題，自然要想到想弄的資訊熵了。這裡我們計算用的也是資訊熵（另一種方法是基尼不純度）。公式如下：

資料需要滿足的要求：

① 資料必須是由列表元素組成的列表，而且所有的列白哦元素都要具有相同的資料長度
② 資料的最後一列或者每個執行個體的最後一個元素應是當前執行個體的類別標籤

函數：

calcShannonEnt(dataSet)
計算資料集的香農熵，分兩步，第一步計算頻率，第二部根據公式計算香農熵

splitDataSet(dataSet, aixs, value)
劃分資料集，將滿足X[aixs]==value的值都劃分到一起，返回一個劃分好的集合（不包括用來劃分的aixs屬性，因為不需要）

chooseBestFeature(dataSet)
選擇最好的屬性進行劃分，思路很簡單就是對每個屬性都劃分下，看哪個好。這裡使用到了一個set來選取列表中唯一的元素，這是一中很快的方法

majorityCnt(classList)
因為我們遞迴構建決策樹是根據屬性的消耗進行計算的，所以可能會存在最後屬性用完了，但是分類還是沒有算完，這時候就會採用多數表決的方式計算節點分類

createTree(dataSet, labels)
基於遞迴構建決策樹。這裡的label更多是對於分類特徵的名字，為了更好看和後面的理解。

複製代碼 代碼如下:

#coding=utf-8
import operator
from math import log
import time

def createDataSet():
    dataSet=[[1,1,'yes'],
            [1,1,'yes'],
            [1,0,'no'],
            [0,1,'no'],
            [0,1,'no']]
    labels = ['no surfaceing','flippers']
    return dataSet, labels

#計算香農熵
def calcShannonEnt(dataSet):
    numEntries = len(dataSet)
    labelCounts = {}
    for feaVec in dataSet:
        currentLabel = feaVec[-1]
        if currentLabel not in labelCounts:
            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

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
   
def chooseBestFeatureToSplit(dataSet):
    numFeatures = len(dataSet[0]) - 1#因為資料集的最後一項是標籤
    baseEntropy = calcShannonEnt(dataSet)
    bestInfoGain = 0.0
    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 = infoGain
            bestFeature = i
    return bestFeature
           
#因為我們遞迴構建決策樹是根據屬性的消耗進行計算的，所以可能會存在最後屬性用完了，但是分類
#還是沒有算完，這時候就會採用多數表決的方式計算節點分類
def majorityCnt(classList):
    classCount = {}
    for vote in classList:
        if vote not in classCount.keys():
            classCount[vote] = 0
        classCount[vote] += 1
    return max(classCount)        
   
def createTree(dataSet, labels):
    classList = [example[-1] for example in dataSet]
    if classList.count(classList[0]) ==len(classList):#類別相同則停止劃分
        return classList[0]
    if len(dataSet[0]) == 1:#所有特徵已經用完
        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[:]#為了不改變原始列表的內容複寫了一下
        myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet,
                                        bestFeat, value),subLabels)
    return myTree
   
def main():
    data,label = createDataSet()
    t1 = time.clock()
    myTree = createTree(data,label)
    t2 = time.clock()
    print myTree
    print 'execute for ',t2-t1
if __name__=='__main__':
    main()

希望本文所述對大家的Python程式設計有所協助。