从软件工程的角度写机器学习4——-C4.5决策树的工程实现

C4.5决策树的工程实现

这篇文章开始，将讲述一系列机器学习算法的工程实现方案。出于常用且简单的考虑，选择了C4.5决策树作为第一个算法。

工程框架

鉴于本篇是第一个算法实现，应此需要把整个工程框架介绍一下。
出于最优性能考虑，本框架是为C/C++语言设计的。不过即使用其他语言，也可以按这个框架实现，模块还可以再精简。

本工程定位：
1、无脑版机器学习算法库，使用者基本不需要了解任何算法细节，也不需要了解配置的算法参数含义。
2、可分离的算法库，算法库输出的模型文件可以方便地被其他工程解析使用。
3、高性能的算法库，理论上能达到极限性能。

总体设计如下图：

数据层

这一层解决数据如何定义，如何产生，如何使用，如何销毁的问题。
定义两种数据类型：
Matrix：静态数据，矩阵形式存储，默认使用浮点，精度可全局性地作配置。
Chain：动态数据，也即时间序列类型数据。

理想情况是，数据层尽量提供统一接口供运算层和算法层使用，无论是在CPU上申请的矩阵内存，还是在GPU显存中申请出来的内存，无论是普通矩阵，还是稀疏矩阵，对外透明。不过，有些算法还是必须要根据矩阵的具体情况作区分的（比如QR变换算矩阵特征向量的算法就希望基于稀疏矩阵加速），因此，除了统一接口外，也支持类型识别，让运算层能够“因地制宜”。

离散数据和连续数据的区分也是作抽象的一个难点，这里的设计是默认数据是连续的，但在Matrix和Chain类型中引入meta信息，用元数据去确定那些列是离散的，有哪些离散值可选。

运算层

特性

一方面，机器学习算法大部分都是矩阵运算，封装在一层便于复用，另一方面，为了后续性能优化便利，需要专门一个运算层。此层作为优化重点，需要接一个优化模块。

提供如下功能：
1、基本矩阵运算：矩阵相乘、矩阵求逆、求特征根等等。
2、基于矩阵的复杂运算：梯度下降、卷积、核函数映射等等。
3、数据转换相关：时间序列展开为矩阵数据（AR模型、相空间重构等）、稀疏矩阵与稠密矩阵互转、数据随机抽样等等。

优化

优化手段主要包括两方面，可根据实际应用的需要，去专门优化某些算法。
1、GPGPU：OpenCL/CUDA
2、SIMD：neon/SSE

有句“名言”：过早优化是万恶之源。但踩过一系列代码优化的坑后，深刻觉得，不考虑优化才是万恶之源，对一个写得很糟糕的程序作优化改造的代价，远超过一开始就高效率编写的时间成本。讲究代码效率，也并不是说一开始就要把性能优化到极致，而是要按一个有利于后续性能优化的框架去设计，这样后面在有性能要求时不需要作大重构。

算法层

这一层实现基础的机器学习算法。如SVM、C45决策树、朴素贝叶斯、逻辑回归等。
我们很希望全部运算在矩阵运算层中做掉，这样可以统一优化。不过理想很美好，现实很残酷。考虑有些操作不容易封装矩阵运算层，这一层也允许直接与数据层交互，操作实际数据。
以下是算法层的接口定义：

/*预测模型*/
class IPredictor
{
public:
    virtual Matrix* vPredict(Matrix* X) const = 0;

    /*以下两个接口用于分类*/
    //输出各个类型的概率
    virtual Matrix* vPredictProb(Matrix* X) const = 0;
    //获得各个类型的值
    virtual Matrix* vGetValues() const = 0;

    virtual Node* vDump() const = 0;
};

/*监督学习算法*/
class ILearner
{
public:
    virtual IPredictor* vLearn(Matrix* X, Matrix* Y) const = 0;
};

/*非监督学习算法*/
class IFreeLearner
{
public:
    virtual IPredictor* vLearn(Matrix* X) const = 0;
};

/*时间序列预测模型*/
class IChainPredictor
{
public:
    virtual Chain* vPredict(Chain* X) const = 0;
    virtual Node* vDump() const = 0;
};

/*时间序列训练算法*/
class IChainLearner
{
public:
    virtual IChainPredictor* vLearn(Matrix* X) const = 0;
};

注意到，对于分类模型，我们给出了提供概率预测的需求，这对于一些应用场景是很重要的，比如基于人脸识别的一系列图像处理算法。事实上，所有分类算法，都是可以计算这个概率的。

出于更广泛的工程应用考虑，我们需要能将预测算法（也即训练所得模型）序列化。推荐的方式是dump成一棵语法树（上面的Node为树结点），然后选一个json或xml库去序列化。反序列化时，先解出语法树，再根据语法树还原模型。

算法抽象层

这一层的目的是实现复合算法，比如基于决策树实现随机森林、adaboost、gbdt，基于二分类SVM实现多分类SVM，以及对训练算法作评分（交叉验证）等等。 这一层允许调用算法层的接口和运算层的数据转换接口（比如抽样等）。

C45决策树算法实现

关于决策树的算法原理可参考这篇文章：
http://www.cnblogs.com/bourneli/archive/2013/03/15/2961568.html

算法描述与参数

引自上面那篇文章，该算法步骤如下：

1. 开始，所有记录看作一个节点
2. 遍历每个变量的每一种分割方式，找到最好的分割点
3. 分割成两个节点N1和N2
4. 对N1和N2分别继续执行2-3步，直到每个节点足够“纯”为止

详细的实现是这样的：
训练算法：

1、接受输入自变量矩阵X，因变量矩阵Y
2、基于矩阵Y计算纯度，满足如下任一条件则终止，转步骤5生成节点：
（1）达到最大树深限制
（2）纯度达到targetPrune
（3）Y的数量小于minNumber
3、基于自变量矩阵X的统计列出所有分划点，遍历每一个点，计算纯度增益，选取收益最大的一个分划点:
（1）基于该点分隔对应的Y为Y1和Y2。
（2）按一定公式计算Y1的纯度和Y2的纯度。
（3）计算纯度增益。
4、产生分划点，并基于最优分划点，将Y分成Y1和Y2，将X分为X1和X2，从1步执行。
5、产生结果点：
（1）得出Y中所有类型，记为数值矩阵。
（2）计算Y中所有类型的占比，记为概率矩阵。
（3）以概率最高的类型作为该点的默认预测值。

这里涉及到这些参数：
1、最大树深限制maxDepth
2、提前终止的纯度要求targetPrune
3、每个有效节点至少要覆盖到的数据量minNumber
这三个参数需要按一定规则，将其映射到[0,1)区间，以便使用者无差别调参。

树结构

分划点

1、分划信息：第几列，值为多少
2、左右两节点的指针/引用

结果点

结果点包括
1、概率矩阵
2、数值矩阵
3、默认值

预测时，按分划信息一层层往下找到结果点，取结果点的概率矩阵和数值矩阵即可。

类、模块位置

无论是ID3、C45还是C50算法，决策树的预测模型都是一种相同的树型结构，而C45决策树是一种构造决策树的算法。因此，命名方面，预测模型是不带C45的前缀的。

该算法涉及到的类分布如下：