第6节--决策树算法实现（scikit-learn）

1、python

本课程的机器学习的算法都是基于python语言实现的，所以你需要有一定的python语言基础，可以参考彭亮在麦子学院讲授的“Python语言编程基础”。

2、python机器学习的库：scikit-learn

特性：
1）简单高效的数据挖掘和机器学习分析
2）对所有用户开放，根据不同需求高度可重用性
3）基于Numpy, SciPy和matplotlib
4）开源，商用级别：获得 BSD许可

覆盖问题领域：
分类（classification),，回归（regression)， 聚类（clustering)，
降维(dimensionality reduction)，模型选择(model selection)， 预处理(preprocessing)

3、使用scikit-learn

方式一：pip, easy_install（两个都是python安装package的工具，感觉pip更好用）
方式二（推荐）： 可使用Anaconda(这是一个科学计算环境 ，包含numpy, scipy，matplotlib等科学计算常用package，当然也包含scikit-learn包）
anaconda下载地址：www.continuum.io/downloads
anaconda安装注意问题：匹配的Python解释器版本（2.7 or 3.5）, 系统版本（32位or64位）

4、安装Graphviz（数据可视化软件）

下载地址：www.graphviz.org
安装完成后，将C:\Program Files (x86)\Graphviz2.38\bin（找你的graphviz/bin的路径）加入到系统变量path中

---

5、决策树算法实现

5.1、将原始数据录入csv文件中（如下图）

5.2、引入sk-learn相关的package

5.3、读取csv文件的数据到程序中

5.3、对数据预处理

5.4、决策树分类的核心代码

5.5、生成dot文件（结果不够直观）

dot文件：

5.6、将dot文件用graphviz转换为pdf文件

在命令行下，cd到你的dot文件的路径下，输入
dot -Tpdf filename.dot -o output.pdf
（filename以dot文件名为准）
可以看见同路径下生成了一个pdf文件

如图：

5.7、测试代码

5.8、源程序

#coding=gbk

# DictVectorizer:数据类型转换
from sklearn.feature_extraction import DictVectorizer

# csv:原始数据放在csv文件中，该package为python自带，不需要安装
import csv

#引入数据预处理包、决策树包、读写字符串包
from sklearn import preprocessing
from sklearn import tree
from sklearn.externals.six import StringIO


#从csv文件中读取数据，并保存到allElectronicsData变量中
allElectronicsData = open(r'D:\eclipse\mars\project\DeepLearningBasicsMachineLearning\Datasets\AllElectronics.csv','r')
# csv的reader方法按行读取数据
reader = csv.reader(allElectronicsData)
#next方法读取到csv文件的第一行数据
headers = next(reader)
#打印第一行数据
print(headers)


#建两个list，featureList装特征值，labelList装类别标签
featureList = []
labelList = []

#遍历csv文件的每一行
for row in reader:
    #将类别标签加入到labelList中
    labelList.append(row[len(row)-1])
    #下面这几步的目的是为了让特征值转化成一种字典的形式，就可以调用sk-learn里面的DictVectorizer，直接将特征的类别值转化成0,1值
    rowDict = {}
    for i in range(1,len(row)-1):
        rowDict[headers[i]] = row[i]
    featureList.append(rowDict)
print(featureList)

#实例化    
vec = DictVectorizer()
dummyX = vec.fit_transform(featureList).toarray()
print("dummyX:"+str(dummyX))
print(vec.get_feature_names())

# label的转化，直接用preprocessing的LabelBinarizer方法
lb = preprocessing.LabelBinarizer()
dummyY = lb.fit_transform(labelList)
print("dummyY:"+str(dummyY))
print("labelList:"+str(labelList))


#criterion是选择决策树节点的标准，这里是按照“熵”为标准，即ID3算法；默认标准是gini index，即CART算法。
clf = tree.DecisionTreeClassifier(criterion = 'entropy')
clf = clf.fit(dummyX,dummyY)
print("clf:"+str(clf))

#生成dot文件
with open("allElectronicInformationGainOri.dot",'w') as f:
    f = tree.export_graphviz(clf,feature_names = vec.get_feature_names(),out_file = f)

#测试代码，取第1个实例数据，将001->100，即age：youth->middle_aged    
oneRowX = dummyX[0,:]
print("oneRowX:"+str(oneRowX))
newRowX = oneRowX
newRowX[0] = 1
newRowX[2] = 0
print("newRowX:"+str(newRowX))

#预测代码
predictedY = clf.predict(newRowX)
print("predictedY:"+str(predictedY))

5.9、sk-learn的决策树文档

地址：scikit-learn.org/stable/modules/tree.html