ID3、C4.5决策树算法的Python实现（注释详细）
一、决策树之ID3和C4.5简介
决策树(Decision Tree)，每个分支都是需要通过条件判断进行划分的树，解决分类和回归问题的方法。决策树是最经常使用的数据挖掘算法，其核心是一个贪心算法，它采用自顶向下的递归方法构建决策树。
目前常用的决策树算法有ID3算法、改进的C4.5，C5.0算法和CART算法
ID3算法的核心是在决策树各级节点上选择属性时，用信息增益作为属性的选择标准，使得在每一个非节点进行测试时，能获得关于被测试记录最大的类别信息。C4.5在选取最优特征时，采用的衡量标准是信息增益率。
ID3的特点
优点：理论清晰，方法简单，学习能力较强
缺点：
(1) 信息增益的计算比较依赖于特征数目比较多的特征
(2) ID3为非递增算法
(3) ID3为单变量决策树
(4) 抗糙性差
C4.5的改进之处：
(1) 通过信息增益率选择属性
(2) 处理连续型数据的属性
(3) 能够进行剪枝操作
(4) 能够对空缺值进行处理
二、信息熵、信息增益、分离信息、信息增益率
设S是训练样本集，它包括n个类别的样本，这些方法用Ci表示，那么熵和信息增益用下面公式表示：
1. 信息熵：
其中pi表示Ci的概率
2. 样本熵：
其中Si表示根据属性A划分的S的第i个子集，S和Si表示样本数目
3. 信息增益：
ID3中样本分布越均匀，它的信息熵就越大，所以其原则就是样本熵越小越好，也就是信息增益越大越好。
4. 分离信息
5. 信息增益率
三、ID3决策树构造算法的Python实现
from math import log
# 构造数据集
def create_dataset():
dataset = [['youth', 'no', 'no', 'just so-so', 'no'],
['youth', 'no', 'no', 'good', 'no'],
['youth', 'yes', 'no', 'good', 'yes'],
['youth', 'yes', 'yes', 'just so-so', 'yes'],
['youth', 'no', 'no', 'just so-so', 'no'],
['midlife', 'no', 'no', 'just so-so', 'no'],
['midlife', 'no', 'no', 'good', 'no'],
['midlife', 'yes', 'yes', 'good', 'yes'],
['midlife', 'no', 'yes', 'great', 'yes'],
['midlife', 'no', 'yes', 'great', 'yes'],
['geriatric', 'no', 'yes', 'great', 'yes'],
['geriatric', 'no', 'yes', 'good', 'yes'],
['geriatric', 'yes', 'no', 'good', 'yes'],
['geriatric', 'yes', 'no', 'great', 'yes'],
['geriatric', 'no', 'no', 'just so-so', 'no']]
features = ['age', 'work', 'house', 'credit']
return dataset, features
# 计算信息熵
def compute_entropy(dataset):
# 求总样本数
num_of_examples = len(dataset)
labelCnt = {}
# 遍历整个样本集合
for example in dataset:
# 当前样本的标签值是该列表的最后一个元素
currentLabel = example[-1]
# 统计每个标签各出现了几次
if currentLabel not in labelCnt.keys():
labelCnt[currentLabel] = 0
labelCnt[currentLabel] += 1
entropy = 0.0
# 对于原样本集，labelCounts = {'no': 6, 'yes': 9}
# 对应的初始shannonEnt = (-6/15 * log(6/15)) + (- 9/15 * log(9/15))
for key in labelCnt:
p = labelCnt[key] / num_of_examples
entropy -= p * log(p, 2)
return entropy
# 提取子集合
# 功能：从dataSet中先找到所有第axis个标签值 = value的样本
# 然后将这些样本删去第axis个标签值，再全部提取出来成为一个新的样本集
def create_sub_dataset(dataset, index, value):
sub_dataset = []
for example in dataset:
current_list = []
if example[index] == value:
current_list = example[:index]
current_list.extend(example[index + 1 :])
sub_dataset.append(current_list)
return sub_dataset
def choose_best_feature(dataset):
num_of_features = len(dataset[0]) - 1
# 计算当前数据集的信息熵
current_entropy = compute_entropy(dataset)
# 初始化信息增益率
best_information_gain_ratio = 0.0
# 初始化最佳特征的下标为-1
index_of_best_feature = -1
# 通过下标遍历整个特征列表
for i in range(num_of_features):
# 构造所有样本在当前特征的取值的列表
values_of_current_feature = [example[i] for example in dataset]
unique_values = set(values_of_current_feature)
# 初始化新的信息熵
new_entropy = 0.0
# 初始化分离信息
split_info = 0.0
for value in unique_values:
sub_dataset = create_sub_dataset(dataset, i, value)
p = len(sub_dataset) / len(dataset)
# 计算使用该特征进行样本划分后的新信息熵
new_entropy += p * compute_entropy(sub_dataset)
# 计算分离信息
split_info -= p * log(p, 2)
# 计算信息增益
# information_gain = current_entropy - new_entropy
# 计算信息增益率（Gain_Ratio = Gain / Split_Info）
information_gain_ratio = (current_entropy - new_entropy) / split_info
# 求出最大的信息增益及对应的特征下标
if information_gain_ratio > best_information_gain_ratio:
best_information_gain_ratio = information_gain_ratio
index_of_best_feature = i
# 这里返回的是特征的下标
return index_of_best_feature
# 返回具有最多样本数的那个标签的值（'yes' or 'no'）
def find_label(classList):
# 初始化统计各标签次数的字典
# 键为各标签，对应的值为标签出现的次数
labelCnt = {}
for key in classList:
if key not in labelCnt.keys():
labelCnt[key] = 0
labelCnt[key] += 1
# 将classCount按值降序排列
# 例如：sorted_labelCnt = {'yes': 9, 'no': 6}
sorted_labelCnt = sorted(labelCnt.items(), key = lambda a:a[1], reverse = True)
# 下面这种写法有问题
# sortedClassCount = sorted(labelCnt.iteritems(), key=operator.itemgetter(1), reverse=True)
# 取sorted_labelCnt中第一个元素中的第一个值，即为所求
return sorted_labelCnt[0][0]
def create_decision_tree(dataset, features):
# 求出训练集所有样本的标签
# 对于初始数据集，其label_list = ['no', 'no', 'yes', 'yes', 'no', 'no', 'no', 'yes', 'yes', 'yes', 'yes', 'yes', 'yes', 'yes', 'no']
label_list = [example[-1] for example in dataset]
# 先写两个递归结束的情况：
# 若当前集合的所有样本标签相等（即样本已被分“纯”）
# 则直接返回该标签值作为一个叶子节点
if label_list.count(label_list[0]) == len(label_list):
return label_list[0]
# 若训练集的所有特征都被使用完毕，当前无可用特征，但样本仍未被分“纯”
# 则返回所含样本最多的标签作为结果
if len(dataset[0]) == 1:
return find_label(label_list)
# 下面是正式建树的过程
# 选取进行分支的最佳特征的下标
index_of_best_feature = choose_best_feature(dataset)
# 得到最佳特征
best_feature = features[index_of_best_feature]
# 初始化决策树
decision_tree = {best_feature: {}}
# 使用过当前最佳特征后将其删去
del(features[index_of_best_feature])
# 取出各样本在当前最佳特征上的取值列表
values_of_best_feature = [example[index_of_best_feature] for example in dataset]
# 用set()构造当前最佳特征取值的不重复集合
unique_values = set(values_of_best_feature)
# 对于uniqueVals中的每一个取值
for value in unique_values:
# 子特征 = 当前特征（因为刚才已经删去了用过的特征）
sub_features = features[:]
# 递归调用create_decision_tree去生成新节点
decision_tree[best_feature][value] = create_decision_tree(create_sub_dataset(dataset, index_of_best_feature, value), sub_features)
return decision_tree
# 用上面训练好的决策树对新样本分类
def classify(decision_tree, features, test_example):
# 根节点代表的属性
first_feature = list(decision_tree.keys())[0]
# second_dict是第一个分类属性的值（也是字典）
second_dict = decision_tree[first_feature]
# 树根代表的属性，所在属性标签中的位置，即第几个属性
index_of_first_feature = features.index(first_feature)
# 对于second_dict中的每一个key
for key in second_dict.keys():
if test_example[index_of_first_feature] == key:
# 若当前second_dict的key的value是一个字典
if type(second_dict[key]).__name__ == 'dict':
# 则需要递归查询
classLabel = classify(second_dict[key], features, test_example)
# 若当前second_dict的key的value是一个单独的值
else:
# 则就是要找的标签值
classLabel = second_dict[key]
return classLabel
if __name__ == '__main__':
dataset, features = create_dataset()
decision_tree = create_decision_tree(dataset, features)
# 打印生成的决策树
print(decision_tree)
# 对新样本进行分类测试
features = ['age', 'work', 'house', 'credit']
test_example = ['midlife', 'yes', 'no', 'great']
print('\n',classify(decision_tree, features, test_example))
结果：
四、C4.5决策树构造算法的Python实现
只要改动一下函数choose_best_feature，将里面的计算信息增益变为计算信息增益率即可。