跳转到主内容
趣航编程网 - 趣学编程,启航技术之路!

python机器学习决策树详细介绍

决策树(Decision Trees ,DTs)是一种无监督的学习方法,用于分类和回归。 优点:计算复杂度不高,输出结果易于理解,对中间值缺失不敏感,可以处理不相关的特征数据 缺点:可能会产生过度匹配的问题 适用 数据类型 :数值型和标称型  source code下载  https://www.manning.com/books/machine-learning-in- action 运行demo 关键算法 if so return 类标签; else 寻找划分 数据集 的最好特征 划分数据集 创建分支节点 for 每个分支节点 调用 函数 createBranch并增加返回结果到分支节点中 return 分支节点 对应代码 def createTree(dataSet,labels): class List = [example[-1] for example in dataSet] 不是dataset[-1] {dataset倒数第一元素} ,而这时里,dataset每一个元素里的倒数第一元素 if classList. count (classList[0]) == len(classList): 如果返回分类List count类型一样,则返回该类型!在子节点 是否可分类 如是一类型 返回  否则 递归 往下分类 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 如果只有一个元素 return majorityCnt(classList) bestFeat = chooseBestFeatureToSplit(dataSet)      选择最好的特征索引 bestFeatLabel = labels[bestFeat]      而得到这个label  flippers 还是 no surfaces 呢 myTree = {bestFeatLabel:{}}      然后创建该最好的分类 的子树 del(labels[bestFeat])    删除了该最好分类 featValues = [example[bestFeat] for example in dataSet] uniqueVals = set(featValues)     set是归类,看只有多少种类 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 在划分数据集之前之后信息发生的变化称为信息增益,划分数据集的最大原则是将无序的数据变得更加有序。 这里理解成切饼原理: 把信息的复杂度,信息量用单位熵描述程度。 对应的是饼的密度,如果是均等密度的垂直切饼, 每部分重量g = 总G * 其占大圆比例!  类比地,如果划分后信息熵一样, 每个小部分数据的  小h = pro * 总 H,   而 求和 h[i] = H. 然而:我们需要的恰恰相反:需要的不是信息熵一样,而是不均等,比如上面,上绿的可能是草每馅,黄色是苹果馅,蓝色是紫薯,每个密度不同! 我们需要把它正确划分!分类出来,找出逼近不同馅之间的那条线。 这里的 小h会最小化,而最终在面积不变下,总H会 逼近最小值,是最优化问题求解。 调试 过程 calcShannonEnt : [[1, 'no'], [1, 'no']] = 0    log(1,2) * 0.4 = 0 为什么是0,因为pro必然是1 log(prob,2) log(1,2) = 0;2^0=1,因为 prob <=1,所以 log(Value,2) <0 : [[1, 'yes'], [1, 'yes'], [0, 'no']] = 0.91 >> * 0.6 = 0.55 25行 for featVec in dataSet: 计频 for prop chooseBestFeatureToSplit() 0.9709505944546686 = calcShannonEnt(dataSet) : [[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']] 立即学习 “ Python免费学习笔记(深入) ”; #检测数据集的每个子项是否属于同一类: 如果值都是a,而result都是y或n 则为一类 所以,只是两个参数输入 0.5509775004326937 = += prob * calcShannonEnt(subDataSet) 分开的子集后,的概率*香农滴,得到的和,原来的整体的香浓滴比
# 数据越接近,香浓熵值越少,越接近0 ,越不同,越多分逻辑,香浓熵就越大 # 只计算 其dataSet的featVec[-1] 结果标签 def calcShannonEnt(dataSet):
0.4199730940219749  infoGain = baseEntropy - newEntropy 总结: 一开始,看代码看不懂,不明白到底是要做什么!分类,我们的目标是把一堆数据分类,以label来标签上。 像k邻近 classify([0, 0], group, labels, 3) 意思是,把新数据[0,0] 按k=3的邻近算法在 group,labels数据里的分类! group与label对应! 后面看到了 才理解,数据dataSet 的意思是 条个维度的值 而最后一个是 是否为 fish的,结果标签 所以,是要把每个维度 切出来 + 结果标签 成二维的 一列数组,去比较分类 测试应该是,把前n个维量的值,向量输入,输出是yes or no! 一开始看,比较头晕,条理清楚,理顺下思路,看代码才易懂! 理解了目标和初始数据,你才明白,原来classList是结果标签!,是对应将要分类的dataset的对应结果标签 而labels 则是 特征名,对应开始的dataset的维度,特征的名strname bestFeatLabel 最好分类特征的维度名 是第一维度还是第二,第N featValues 是bestFeatLabel 的维度下,的值数组。就是这一维度下的组 用来做新的分类比较。 uniqueVals 用set判断来是否一类, 比如 dataSet = [[1, 1, 'yes'],[0, 1, 'yes'],[1, 0, 'no'],[1, 0, 'no'],[0, 0, 'no']] labels = ['no surfacing','flippers',] 这样的createTree :{'flippers': {0: 'no', 1: 'yes'}} 直接把no surfacing的维度省略了 最后,再用一段话来讲讲决策树: 决策树本质上:是加快效率!用‘最大最优’划分 第一个否定标签,而肯定标签要继续划分!而否定,直接返回叶结点答案!而对应的其它维度就不继续判断! 理论上,即使不用决策树算法,就盲目穷举,就是每次都把数据所有维度轮一次!而有最后个标签答案!维度数*数据个数!为复杂度! 这是对记忆的匹配回答!合适专家系统! 预测未出现的情况能力差!但数据量大,速度快,也能有智能的感觉! 因为是对过去经验的重演! 然而它是死的?不,它不是死的!穷举是死的,但决策树是动态的! 学习的!变化树!至少它的建成是动态的!当数据不完全时,它也可能是不完全的!当一个判断可以解决就用一个判断,不能就再需要一个!维度增加!

相关文章