python与机器学习（二.决策树与随机森林）

香农熵

变量的不确定性越大，熵也就越大，把它搞清楚所需要的信息量也就越大。例如，在一个数据集dataset中，dataset = [[1,1,'yes'],[1,1,'yes'],[1,0,'no'],][0,1,'no'],[0,1,'no']],在数据集dataset中随机挑一个实例，挑出标签值为'yes'的概率为0.4，挑出标签值为‘no’的概率为0.6,这个数据集的熵值计算为

-0.6*log(0.6,2)-0.4*log(0.4,2) = 0.9709505944546687

下面有个函数可以用于计算给定数据集的香农熵：

计算香农熵的函数

以上函数的使用

香农熵主要是作为一个指标用于指导划分数据集，以下函数用于按照特定特征划分数据集

划分数据集

信息增益（ID3）

基于香农熵的概念和以上两个函数，我们可以再写一个函数用于计算如何给一个数据集进行划分，通过对数据集的每一个特征属性进行划分，然后计算划分后的所有数据集熵值与其概率的乘积之和，并与数据集划分前原始数据集的熵值相比较，计算降低的熵值。这部分降低的熵值就被成为‘信息增益’（用ID3表示），通过比较各特征属性的信息增益后，可以推算出按照哪种特征属性分类信息增益最大，就用这种方式进行分类。

判断如何划分数据集

这种分类方法看似很厉害，但是仍存在一个BUG：例如，你给每个值标一个ID，然后将ID作为一个特征项划分数据集后得出的熵值是零，而对应的信息增益则最大，这显然是不对的，为了规避在个问题，我们引入了另一个概率，信息增益率（C4.5）。

信息增益率（C4.5）

信息增益率 = 信息增益值／数据集本身的熵值

例如：接着上面的例子，数据集dataset = [[1,1,'yes'],[1,1,'yes'],[1,0,'no'],][0,1,'no'],[0,1,'no']]的熵值为

-0.6*log(0.6,2)-0.4*log(0.4,2) = 0.9709505944546687

然后给数据集每个实例添加一个特征属性ID，dataset = [[1,1,1,'yes'],[2,1,1,'yes'],[3,1,0,'no'],][4,0,1,'no'],[5,0,1,'no']]，如果按照ID划分数据集得出的熵值增益是0.97095059445466870 - 0 = 0.9709505944546687

但是数据集本身按照ID作为标签计算的熵值则是-1/5log(1/5,2)*5 = log(5,2),所以信息增益率为

0.9709505944546687／log(5,2) = 0.41816566007905165

决策树

决策树的基本逻辑就是基于以上算法的：得到原始数据集后，基于各种特征属性的信息增益（ID3）的判断下一步通过哪个属性值划分数据集，由于特征值可能多于两个，因此可能存在大于两个分支的数据集划分。经过一次划分之后，数据将被向下传递到树分支的下一个节点，这个节点上，我们可以再次划分数据。我们利用这个逻辑，递归的处理数据集，直到程序遍历完所有划分数据集的属性，或者每个分支下的所有实例都具有相同的分类。

生成决策树的函数

连续值的处理逻辑

我们在前面处理的数值都是离散了，但是如果我们需要处理连续值又该怎样处理呢

随机森林

好了，在引入决策树算法以后，我们可以扩展出一个新概念，叫“随机森林”

使用sklearn实现决策树的代码