机器学习实战3.2决策树项目案例01：判定鱼类和非鱼类
搜索微信公众号:‘AI-ming3526’或者’计算机视觉这件小事’ 获取更多人工智能、机器学习干货
csdn：https://blog.csdn.net/baidu_31657889/
github：https://github.com/aimi-cn/AILearners
上节讲了决策树的基本概念 以及什么是信息熵 信息增益 这节重点放在代码上 以代码的形式来更加清晰的解释决策树
本文出现的所有代码，均可在github上下载，不妨来个Star把谢谢~：Github代码地址
项目案例1: 判定鱼类和非鱼类
1、项目概述(上节在场景3中简单提到了)
根据以下 2 个特征，将动物分成两类：鱼类和非鱼类。
特征：
- 不浮出水面是否可以生存
- 是否有脚蹼
开发流程：
完整代码地址
收集数据：可以使用任何方法
准备数据：树构造算法（这里使用的是ID3算法，因此数值型数据必须离散化。）
分析数据：可以使用任何方法，构造树完成之后，我们可以将树画出来。
训练算法：构造树结构
测试算法：使用习得的决策树执行分类
使用算法：此步骤可以适用于任何监督学习任务，而使用决策树可以更好地理解数据的内在含义
1、收集数据：可以使用任何方法
我们利用 createDataSet() 函数输入数据
'''
@description: 创建数据集
@param {None}
@return: 返回数据集和对应的label标签
'''
def creatDataSet():
'''
|不浮出水面可以生存| 是否有脚蹼 |属于鱼类
|1-是----------------------|-是------------|是
|2-是--------------------- |-是------------|是
|3-是--------------------- |-否------------|否
|4-否--------------------- |-是------------|否
|5-否--------------------- |-是------------|否
no surfacing:不露出水面是否可以生成？
flippers:是否有脚蹼？
'''
dataSet = [
[1, 1, 'yes'],
[1, 1, 'yes'],
[1, 0, 'no'],
[0, 1, 'no'],
[0, 1, 'no']
]
labels = ['no surfacing', 'flippers']
return dataSet, labels
2、准备数据：树构造算法
此处，由于我们输入的数据本身就是离散化数据，所以这一步就省略了。
3、分析数据：可以使用任何方法，构造树完成之后，我们可以将树画出来。
公式中n是分类的个数
计算给定数据集的香农熵的函数
'''
@description: 计算给定数据集的香农熵
@param {type} 数据集
@return: 返回 每一组feature下的某个分类下，香农熵的信息期望
eg:dataSet下 Yes/No 分类下香农熵大小 0.970950594455 信息越有序，信息熵越低。
'''
def calcShannonEnt(dataSet):
# -----------计算香农熵的第一种实现方式start--------------------------------------------------------------------------------
#
# numEntries = len(dataSet)
# labelsCounts = {}
# for featVec in dataSet:
# currentLabel = featVec[-1]
# if currentLabel not in labelsCounts.keys():
# labelsCounts[currentLabel] = 0
# labelsCounts[currentLabel] += 1
# shannonEnt = 0.0
# for key in labelsCounts:
# prob = float(labelsCounts[key])/numEntries
# shannonEnt -= prob * log(prob, 2)
# -----------计算香农熵的第一种实现方式end--------------------------------------------------------------------------------
# # -----------计算香农熵的第二种实现方式start--------------------------------------------------------------------------------
# # 统计标签出现的次数
#eg:Counter({'no': 3, 'yes': 2})
label_count = Counter(data[-1] for data in dataSet)
# # 计算概率
probs = [float(p[1]) / len(dataSet) for p in label_count.items()]
# # 计算香农熵
shannonEnt = sum([-p * log(p, 2) for p in probs])
# -----------计算香农熵的第二种实现方式end--------------------------------------------------------------------------------
return shannonEnt
按照给定特征划分数据集
'''
@description: 按照给定特征划分数据集
@param {dataSet 数据集 : 待划分的数据集
index 表示每一行的index列 :划分数据集的特征
value 表示index列对应的value值 :需要返回的特征的值
}
@return: index列为value的数据集【该数据集需要排除index列】
demo:dataSet=[[1, 1, 'yes'],
[1, 1, 'yes'],
[1, 0, 'no'],
[0, 1, 'no'],
[0, 1, 'no']]
splitDataSet(dataSet,0,1)
这个方法代表的意思就是在上面的数据集中找到第0列值是1的数据 返回出来 并且返回值中不包含第0列的值
现在可以看到第0列值为1的数据有[1, 1, 'yes']，[1, 1, 'yes']，[1, 0, 'no']三个，然后去掉第0列的值返回出来的就是[1, 'yes'], [1, 'yes'], [0, 'no']
'''
def splitDataSet(dataSet, index, value):
# -----------划分数据集的第一种方式 start------------------------------------
retDataSet = []
for featVec in dataSet:
# index列为value的数据集【该数据集需要排除index列】
# 判断index列的值是否为value
if featVec[index] == value:
# [:index]表示前index行，即若 index 为2，就是取 featVec 的前 index 行
reduceFeatVec = featVec[:index]
# [index+1:]表示从跳过 index 的 index+1行，取接下来的数据
# 收集结果值 index列为value的行【该行需要排除index列】
'''
对于extend append
list.append(object) 向列表中添加一个对象object
list.extend(sequence) 把一个序列seq的内容添加到列表中
1、使用append的时候，是将new_media看作一个对象，整体打包添加到music_media对象中。
2、使用extend的时候，是将new_media看作一个序列，将这个序列和music_media序列合并，并放在其后面。
result = []
result.extend([1,2,3])
print result
result.append([4,5,6])
print result
result.extend([7,8,9])
print result
结果：
[1, 2, 3]
[1, 2, 3, [4, 5, 6]]
[1, 2, 3, [4, 5, 6], 7, 8, 9]
'''
reduceFeatVec.extend(featVec[index+1:])
retDataSet.append(reduceFeatVec)
# -----------划分数据集的第一种方式 end------------------------------------
# -----------划分数据集的第二种方式 start------------------------------------
#retDataSet = [data for data in dataSet for i,v in enumerate(data) if i == index and v == value]
#这个没有排除第index列
return retDataSet
选择最好的数据集划分方式
'''
@description: 选择最好的数据集划分方式
@param {dataSet:数据集}
@return: bestFeature ：最优的特征列
demo:可以看出infoGain信息增益0的时候是比较大的 所以最好的特征是0
输出：infoGain= 0.419973094022 bestFeature= 0 0.970950594455 0.550977500433
infoGain= 0.170950594455 bestFeature= 1 0.970950594455 0.8
最后返回的最好的数据集bestFeature=0
'''
def chooseBestFeatureToSplit(dataSet):
# -----------选择最优特征的第一种方式 start------------------------------------
#先求第一行有多少特征 最后一行是label标签所以减去1
numFeatures = len(dataSet[0]) - 1
#Label标签信息熵
baseEntropy = calcShannonEnt(dataSet)
# 最优的信息增益值, 和最优的Featurn编号
bestInfoGain, bestFeature = 0.0, -1
for i in range(numFeatures):
# 获取每一个实例的第i+1个feature，组成list集合
#eg:[1, 1, 1, 0, 0] [1, 1, 0, 1, 1]
featList = [example[i] for example in dataSet]
# 获取剔重后的集合，使用set对list数据进行去重
#eg:set([0, 1]) set([0, 1])
uniqueVals = set(featList)
# 创建一个临时的信息熵
newEntropy = 0.0
# 遍历某一列的value集合，计算该列的信息熵
# 遍历当前特征中的所有唯一属性值，对每个唯一属性值划分一次数据集，计算数据集的新熵值，并对所有唯一特征值得到的熵求和。
for value in uniqueVals:
subDataSet = splitDataSet(dataSet, i, value)
#计算这个subDataSet占整个dataSet的概率是多少
prob = len(subDataSet)/float(len(dataSet))
newEntropy += prob * calcShannonEnt(subDataSet)
# gain[信息增益]: 划分数据集前后的信息变化， 获取信息熵最大的值
# 信息增益是熵的减少或者是数据无序度的减少。最后，比较所有特征中的信息增益，返回最好特征划分的索引值。
infoGain = baseEntropy - newEntropy
#print('infoGain=', infoGain, 'bestFeature=', i, baseEntropy, newEntropy)
if(infoGain > bestInfoGain):
bestInfoGain = infoGain
bestFeature = i
# -----------选择最优特征的第一种方式 end------------------------------------
# # -----------选择最优特征的第二种方式 start------------------------------------
# # 计算初始香农熵
# base_entropy = calcShannonEnt(dataSet)
# best_info_gain = 0
# best_feature = -1
# # 遍历每一个特征
# for i in range(len(dataSet[0]) - 1):
# # 对当前特征进行统计
# feature_count = Counter([data[i] for data in dataSet])
# # 计算分割后的香农熵
# new_entropy = sum(feature[1] / float(len(dataSet)) * calcShannonEnt(splitDataSet(dataSet, i, feature[0])) \
# for feature in feature_count.items())
# # 更新值
# info_gain = base_entropy - new_entropy
# print('No. {0} feature info gain is {1:.3f}'.format(i, info_gain))
# if info_gain > best_info_gain:
# best_info_gain = info_gain
# best_feature = i
# return best_feature
# # -----------选择最优特征的第二种方式 end------------------------------------
return bestFeature
4、训练算法：构造树的数据结构
创建树的函数代码如下：
原理中只说明了如何进行选择具有决定性的特征，那么具体如何构建决策树呢？方法很简单，选择最有决定性的特征，其有若干解，构建若干解的子集的决策树，这样递归下去，直到所有的答案指向同一个分类，或者是最后一个特征了，挑选大部分训练集所选择的分类。文字说明比较难懂，看下面的伪逻辑：
loop(dataSet):
if dataSet 所有分类都是同一个，返回该分类
if dataSet 没有可以进行选择的条件了，返回该结果集大部分指向的分类
通过信息增益指标，选择当前dataSet最有决定性的特征
for 该特征的值：
该值所得出的子集subDataSet
tree = loop(subDataSet) 构建该特征的该值的子树
return tree
整个过程就是一个不断分叉的过程，选择当前具有决定性的特征，通过其值构建子树，构建子树的方法就是使用子训练集再通过构建树的方法进行构建，构建的终点就是要不全是一个分类，要不不能再分叉了就选择最终大部分所在的结果。
'''
@description: 创建树
@param {dataSet, labels 数据集 对应的标签}
@return:
'''
def createTree(dataSet, labels):
#返回数据集中最后一列的值
# eg classList:['yes', 'yes', 'no', 'no', 'no']
classList = [example[-1] for example in dataSet]
# 如果数据集的最后一列的第一个值出现的次数=整个集合的数量，也就说只有一个类别，就只直接返回结果就行
# 第一个停止条件：所有的类标签(Label)完全相同，则直接返回该类标签。
# count() 函数是统计括号中的值在list中出现的次数
# eg: classList:['yes', 'yes'] classList.count(classList[0])== len(classList)=2直接返回'yes'
if classList.count(classList[0]) == len(classList):
return classList[0]
# 如果数据集只有1列，那么最初出现label次数最多的一类，作为结果
# 第二个停止条件：使用完了所有特征，仍然不能将数据集划分成仅包含唯一类别的分组。
if len(dataSet[0]) == 1:
return majorityCnt(classList)
# 选择最优的列，得到最优列对应的label含义
bestFeat = chooseBestFeatureToSplit(dataSet)
# 获取label的名称
bestFeatLabel = labels[bestFeat]
# 初始化myTree
myTree = {bestFeatLabel: {}}
# 注：labels列表是可变对象，在PYTHON函数中作为参数时传址引用，能够被全局修改
# 所以这行代码导致函数外的同名变量被删除了元素，造成例句无法执行，提示'no surfacing' is not in list
del(labels[bestFeat])
# 取出最优列，然后它的branch做分类
featValues = [example[bestFeat] for example in dataSet]
# 获取剔重后的集合，使用set对list数据进行去重
uniqueVals = set(featValues)
for value in uniqueVals:
# 求出剩余的标签label
subLabels = labels[:]
# 遍历当前选择特征包含的所有属性值，在每个数据集划分上递归调用函数createTree()
myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value), subLabels)
print('myTree', value, myTree)
return myTree
5、测试算法：使用决策树执行分类
'''
@description: 给输入的节点，进行分类
@param {inputTree 决策树模型 eg:{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}}
featLabels Feature标签对应的名称 eg:['no surfacing', 'flippers']
testVec 测试输入的数据 eg:[1,1]}
@return: classLabel 分类的结果值(是否是鱼类 yes/no)，需要映射label才能知道名称
'''
def classify(inputTree, featLabels, testVec):
# 获取tree的根节点对应的key值
firstStr = inputTree.keys()[0]
# 通过key得到根节点对应的value
secondDict = inputTree[firstStr]
# 判断根节点名称获取根节点在label中的先后顺序，这样就知道输入的testVec怎么开始对照树来做分类
featIndex = featLabels.index(firstStr)
# 测试数据，找到根节点对应的label位置，也就知道从输入的数据的第几位来开始分类
key = testVec[featIndex]
valueOfFeat = secondDict[key]
print('+++', firstStr, 'xxx', secondDict, '---', key, '>>>', valueOfFeat)
# 判断分枝是否结束: 判断valueOfFeat是否是dict类型 是dict类型就说明分支还没结束 继续进行分类
if isinstance(valueOfFeat, dict):
classLabel = classify(valueOfFeat, featLabels, testVec)
else:
classLabel = valueOfFeat
return classLabel
6、使用算法：此步骤可以适用于任何监督学习任务，而使用决策树可以更好地理解数据的内在含义。
根据创建出来的tree画出来图 如下所示：
def createPlot(inTree):
# 创建一个figure的模版
fig = plt.figure(1, facecolor='green')
fig.clf()
axprops = dict(xticks=[], yticks=[])
# 表示创建一个1行，1列的图，createPlot.ax1 为第 1 个子图，
createPlot.ax1 = plt.subplot(111, frameon=False, **axprops)
plotTree.totalW = float(getNumLeafs(inTree))
plotTree.totalD = float(getTreeDepth(inTree))
# 半个节点的长度；xOff表示当前plotTree未遍历到的最左的叶节点的左边一个叶节点的x坐标
# 所有叶节点中，最左的叶节点的x坐标是0.5/plotTree.totalW（因为totalW个叶节点在x轴方向是平均分布在[0, 1]区间上的）
# 因此，xOff的初始值应该是 0.5/plotTree.totalW-相邻两个叶节点的x轴方向距离
plotTree.xOff = -0.5 / plotTree.totalW
# 根节点的y坐标为1.0，树的最低点y坐标为0
plotTree.yOff = 1.0
# 第二个参数是根节点的坐标
plotTree(inTree, (0.5, 1.0), '')
plt.show()
AIMI-CN AI学习交流群【1015286623】 获取更多AI资料
扫码加群：
分享技术，乐享生活：我们的公众号计算机视觉这件小事每周推送“AI”系列资讯类文章，欢迎您的关注！
