机器学习之决策树详细讲解及代码讲解

决策树讲解

决策树是一种机器学习的方法。决策树的生成算法有ID3, C4.5和C5.0等。决策树是一种树形结构，其中每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶节点代表一种分类结果。

	机器学习中分类和预测算法的评估：
	
	准确率
	速度
	强壮行
	可规模性
	可解释性

1. 什么是决策树/判定树（decision tree)?

判定树是一个类似于流程图的树结构：其中，每个内部结点表示在一个属性上的测试，每个分支代表一个属性输出，而每个树叶结点代表类或类分布。树的最顶层是根结点。

2. 机器学习中分类方法中的一个重要算法

3. 构造决策树的基本算法 分支 根结点
   结点
   树叶

   3.1 熵（entropy）概念：

     信息和抽象，如何度量？
     1948年，香农提出了 ”信息熵(entropy)“的概念
     一条信息的信息量大小和它的不确定性有直接的关系，要搞清楚一件非常非常不确定的事情，或者          
     是我们一无所知的事情，需要了解大量信息==>信息量的度量就等于不确定性的多少
     
     例子：猜世界杯冠军，假如一无所知，猜多少次？
     每个队夺冠的几率不是相等的
     
     比特(bit)来衡量信息的多少
   
     
   
     
   
     变量的不确定性越大，熵也就越大
   

   3.1 决策树归纳算法 （ID3）

     1970-1980， J.Ross. Quinlan, ID3算法
   
     选择属性判断结点
   
     信息获取量(Information Gain)：Gain(A) = Info(D) - Infor_A(D)
     通过A来作为节点分类获取了多少信息
   
           
     
   
   
     
   
     
     
   
      类似，Gain(income) = 0.029, Gain(student) = 0.151, Gain(credit_rating)=0.048
   
     所以，选择age作为第一个根节点
   

算法：
	树以代表训练样本的单个结点开始（步骤1）。
	如果样本都在同一个类，则该结点成为树叶，并用该类标号（步骤2 和3）。
	否则，算法使用称为信息增益的基于熵的度量作为启发信息，选择能够最好地将样本分类的属性（步骤6）。该属性成为该结点的“测试”或“判定”属性（步骤7）。在算法的该版本中，
	所有的属性都是分类的，即离散值。连续属性必须离散化。
	对测试属性的每个已知的值，创建一个分枝，并据此划分样本（步骤8-10）。
	算法使用同样的过程，递归地形成每个划分上的样本判定树。一旦一个属性出现在一个结点上，就不必该结点的任何后代上考虑它（步骤13）。
	递归划分步骤仅当下列条件之一成立停止：
	(a) 给定结点的所有样本属于同一类（步骤2 和3）。
	(b) 没有剩余属性可以用来进一步划分样本（步骤4）。在此情况下，使用多数表决（步骤5）。
	这涉及将给定的结点转换成树叶，并用样本中的多数所在的类标记它。替换地，可以存放结
	点样本的类分布。
	(c) 分枝
	test_attribute = a i 没有样本（步骤11）。在这种情况下，以 samples 中的多数类
	创建一个树叶（步骤12）

           


 ## 3.1 其他算法：
           C4.5:  Quinlan
           Classification and Regression Trees (CART): (L. Breiman, J. Friedman, R. Olshen, C. Stone)
           共同点：都是贪心算法，自上而下(Top-down approach)
           区别：属性选择度量方法不同： C4.5 （gain ratio), CART(gini index), ID3 (Information Gain)

##  3.2 如何处理连续性变量的属性？ 

4. 树剪枝叶 （避免overfitting)
     4.1 先剪枝
     4.2 后剪枝


5. 决策树的优点：
     直观，便于理解，小规模数据集有效     

6. 决策树的缺点：
     处理连续变量不好
     类别较多时，错误增加的比较快
     可规模性一般

4.机器学习之决策树python实际操作

4. Python机器学习的库：scikit-learn

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

4.2 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)

4.3. 使用scikit-learn

source activate momo
conda install scikit-learn
conda  install six

4.5. 例子：
安装 Graphviz： http://www.graphviz.org/

conda install graphviz

  转化dot文件至pdf可视化决策树：dot -Tpdf **.dot -o outpu.pdf

5.代码实现

# -*- coding:utf-8 -*-
# power by ylb
from sklearn.feature_extraction import DictVectorizer
import csv
from sklearn import tree
from sklearn import preprocessing
from six import StringIO


# Read in the csv file and put features into list of dict and list of class label
allElectronicsData = open(r'/home/ylb/python/AllElectronics.csv', 'rt')
reader = csv.reader(allElectronicsData)
headers = next(reader)

print(headers)

featureList = []
labelList = []

for row in reader:
    labelList.append(row[len(row)-1])
    rowDict = {}
    for i in range(1, len(row)-1):
        rowDict[headers[i]] = row[i]
    featureList.append(rowDict)

print(featureList)

# Vetorize features
vec = DictVectorizer()
dummyX = vec.fit_transform(featureList) .toarray()

print("dummyX: " + str(dummyX))
print(vec.get_feature_names())

print("labelList: " + str(labelList))

# vectorize class labels
lb = preprocessing.LabelBinarizer()
dummyY = lb.fit_transform(labelList)
print("dummyY: " + str(dummyY))

# Using decision tree for classification
# clf = tree.DecisionTreeClassifier()
clf = tree.DecisionTreeClassifier(criterion='entropy')
clf = clf.fit(dummyX, dummyY)
print("clf: " + str(clf))


# Visualize model
with open("/home/ylb/python/allElectronicInformationGainOri.dot", 'w') as f:
    f = tree.export_graphviz(clf, feature_names=vec.get_feature_names(), out_file=f)

oneRowX = dummyX[0, :]
print("oneRowX: " + str(oneRowX))

newRowX = oneRowX
newRowX[0] = 1
newRowX[2] = 1
print("newRowX: " + str(newRowX))

# predictedY = clf.predict(newRowX)
predictedY = clf.predict(newRowX.reshape(1,-1))
print("predictedY: " + str(predictedY))

关于代码得讲解请参考视频

机器学习之决策树讲解