python中怎么模拟决策树

本篇文章为大家展示了python中怎么模拟决策树,内容简明扼要并且容易理解,绝对能使你眼前一亮,通过这篇文章的详细介绍希望你能有所收获。

贵阳ssl适用于网站、小程序/APP、API接口等需要进行数据传输应用场景,ssl证书未来市场广阔!成为创新互联公司的ssl证书销售渠道,可以享受市场价格4-6折优惠!如果有意向欢迎电话联系或者加微信:13518219792(备注:SSL证书合作)期待与您的合作!

1,程序模拟决策树特征选择的三个准则。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from collections import Counter
import math
from math import log
import pprint

# 课本例题数据
def createData():
    datasets = [
        ['青年', '否', '否', '一般', '否'],
        ['青年', '否', '否', '好', '否'],
        ['青年', '是', '否', '好', '是'],
        ['青年', '是', '是', '一般', '是'],
        ['青年', '否', '否', '一般', '否'],
        ['中年', '否', '否', '一般', '否'],
        ['中年', '否', '否', '好', '否'],
        ['中年', '是', '是', '好', '是'],
        ['中年', '否', '是', '非常好', '是'],
        ['中年', '否', '是', '非常好', '是'],
        ['老年', '否', '是', '非常好', '是'],
        ['老年', '否', '是', '好', '是'],
        ['老年', '是', '否', '好', '是'],
        ['老年', '是', '否', '非常好', '是'],
        ['老年', '否', '否', '一般', '否']
    ]
    labels = ['年龄', '有工作', '有自己的房子', '信贷情况', '类别']
    return datasets, labels


# 计算经验熵
def calc_ent(datasets):
    data_length = len(datasets)
    label_count = {}  # 用于记录不同类别的个数
    for i in range(data_length):
        label = datasets[i][-1]  # 记录了当前一条数据的最后一维
        if label not in label_count:  # 如果第一次遇到新类别,先初始化
            label_count[label] = 0
        label_count[label] += 1  # 类别个数加一
    # 计算熵。每次取出的p为当前datasets集合的类别的个数
    ent = -sum( (p / data_length) * log(p / data_length, 2) for p in label_count.values() )
    return ent


# 计算条件经验熵
def cond_ent(datasets, axis=0):  # axis是我们选择的特征,也及时计算这个特征对集合的条件经验熵。
    data_length = len(datasets)
    feature_sets = {}
    for i in range(data_length):
        feature = datasets[i][axis]
        if feature not in feature_sets:
            feature_sets[feature] = []
        feature_sets[feature].append(datasets[i])  # 我们按照特征将数据按照字典的格式存储。
    # 计算条件经验熵。 (Di/D)*H(Di)。这里每次取出的p为属于范类别的所有数据。这里的类别是axis指定的特征的分类。
    cond_ent = sum((len(p)/data_length)*calc_ent(p) for p in feature_sets.values())
    return cond_ent


# 计算信息增益
def info_gain(ent, cond_ent):
    return ent - cond_ent


# 计算信息增益
def info_gain_train(datasets):
    count = len(datasets[0]) - 1
    ent = calc_ent(datasets)
    print("当前经验熵:{:.3f}\n".format(ent))
    best_feature = []
    for c in range(count):
        print("第{}个特征的条件经验熵为:{:.3f}".format(c+1, cond_ent(datasets, c)))
        c_info_gain = info_gain(ent, cond_ent(datasets, c))
        best_feature.append((c, c_info_gain))
        print("当前特征({})的信息增益为:{:.3f}".format(label[c], c_info_gain))
    best = max(best_feature, key=lambda c : c[-1])  # 这里返回的是信息增益最大的元组
    return best


dataset, label = createData()
trainData = pd.DataFrame(dataset, columns=label)
best_feature = info_gain_train(dataset)
print("\n第{}个特征({})的信息增益最大,为:{:.3f}".format(best_feature[0]+1, label[best_feature[0]+1], best_feature[1]))

结果

当前经验熵:0.971

第1个特征的条件经验熵为:0.888
当前特征(年龄)的信息增益为:0.083
第2个特征的条件经验熵为:0.647
当前特征(有工作)的信息增益为:0.324
第3个特征的条件经验熵为:0.551
当前特征(有自己的房子)的信息增益为:0.420
第4个特征的条件经验熵为:0.608
当前特征(信贷情况)的信息增益为:0.363

第3个特征(信贷情况)的信息增益最大,为:0.420

2,程序实现ID3算法

import pandas as pd
import numpy as np
import math
from math import log


def create_data():
    datasets = [['青年', '否', '否', '一般', '否'],
               ['青年', '否', '否', '好', '否'],
               ['青年', '是', '否', '好', '是'],
               ['青年', '是', '是', '一般', '是'],
               ['青年', '否', '否', '一般', '否'],
               ['中年', '否', '否', '一般', '否'],
               ['中年', '否', '否', '好', '否'],
               ['中年', '是', '是', '好', '是'],
               ['中年', '否', '是', '非常好', '是'],
               ['中年', '否', '是', '非常好', '是'],
               ['老年', '否', '是', '非常好', '是'],
               ['老年', '否', '是', '好', '是'],
               ['老年', '是', '否', '好', '是'],
               ['老年', '是', '否', '非常好', '是'],
               ['老年', '否', '否', '一般', '否'],
               ]
    labels = [u'年龄', u'有工作', u'有自己的房子', u'信贷情况', u'类别']
    # 返回数据集和每个维度的名称
    return datasets, labels


# 定义节点类 二叉树
class Node:
    def __init__(self, root=True, label=None, feature_name=None, feature=None):
        self.root = root  # 标记当前节点是否为根节点
        self.label = label  # label记录当前节点的值
        self.feature_name = feature_name  # 记录当前特征名
        self.feature = feature  # 记录当前特征名在特征列表中的序号
        self.tree = {}
        self.result = {
            'label:': self.label,
            'feature': self.feature,
            'tree': self.tree
        }

    def __repr__(self):  # 返回当前节点的信息
        return '{}'.format(self.result)

    def add_node(self, val, node):  # 添加点
        self.tree[val] = node

    def predict(self, features):  # 预测当前节点
        if self.root is True:
            return self.label
        return self.tree[features[self.feature]].predict(features)


class DTree:
    def __init__(self, epsilon=0.1):
        self.epsilon = epsilon  # 阈值,用于判断当前信息增益是否符合大小。如果信息增益小于阈值,等同于忽略。
        self._tree = {}

    # 熵
    @staticmethod
    def calc_ent(datasets):
        data_length = len(datasets)
        label_count = {}
        for i in range(data_length):
            label = datasets[i][-1]
            if label not in label_count:
                label_count[label] = 0
            label_count[label] += 1
        ent = -sum([(p / data_length) * log(p / data_length, 2)
                    for p in label_count.values()])
        return ent

    # 经验条件熵
    def cond_ent(self, datasets, axis=0):
        data_length = len(datasets)
        feature_sets = {}
        for i in range(data_length):
            feature = datasets[i][axis]
            if feature not in feature_sets:
                feature_sets[feature] = []
            feature_sets[feature].append(datasets[i])
        cond_ent = sum([(len(p) / data_length) * self.calc_ent(p)
                        for p in feature_sets.values()])
        return cond_ent

    # 信息增益
    @staticmethod
    def info_gain(ent, cond_ent):
        return ent - cond_ent

    def info_gain_train(self, datasets):  # 计算当前数据集中信息增益最大的特征。
        count = len(datasets[0]) - 1
        ent = self.calc_ent(datasets)
        best_feature = []
        for c in range(count):
            c_info_gain = self.info_gain(ent, self.cond_ent(datasets, axis=c))
            best_feature.append((c, c_info_gain))
        # 比较大小
        best_ = max(best_feature, key=lambda x: x[-1])
        return best_

    def train(self, train_data):
        """
        input:数据集D(DataFrame格式),特征集A,阈值eta
        output:决策树T
        """
        _ = train_data.iloc[:, :-1]  # 除最后一列的所有数据
        y_train = train_data.iloc[:, -1]  # 仅包含最后一列
        features = train_data.columns[:-1]  # 除最后一个特征以外的特征

        # 下面是ID3算法四步。D为训练数据集,A为特征集。
        # 1 若D中实例属于同一类Ck,则T为单节点树,并将类Ck作为结点的类标记,返回T
        if len(y_train.value_counts()) == 1:  # value_counts函数,对数据按照值进行排序,并且按照从大到小排序
            return Node(root=True, label=y_train.iloc[0])

        # 2 若A为空,则T为单节点树,将D中实例树最大的类Ck作为该节点的类标记,返回T
        if len(features) == 0:
            return Node(
                root=True,
                label=y_train.value_counts().sort_values(
                    ascending=False).index[0])
            # 没有特征进行划分了,所以对当前数据集所有类别进行了归类,并计数,然后排序,
            # 选择类别数最大的类别,估计为当前节点代表的类别

        # 3 计算最大信息增益
        # max_feature为信息增益最大特征名字的序号,
        # max_info_gain为最大信息增益
        # max_feature_name为最大信息增益特征名字
        max_feature, max_info_gain = self.info_gain_train(np.array(train_data))
        max_feature_name = features[max_feature]

        # 4 信息增益小于阈值,忽略,置T为单节点树,并将D中是实例数最大的类Ck作为该节点的类标记,返回T
        if max_info_gain < self.epsilon:
            return Node(
                root=True,
                label=y_train.value_counts().sort_values(
                    ascending=False).index[0])

        # 5 构建最大信息增益点Ag的子集。
        # 按照Ag的每一个可能的取值ai,将数据集D分成一个Di,每个Di中实例数最大的类作为标记,构建子节点。
        # 由当前最大信息增益点及其子节点构成树,并返回
        node_tree = Node(
            root=False, feature_name=max_feature_name, feature=max_feature)
        # 将train_data按照  当前最大信息增益特征不同值  划分,index指value_counts后的类别部分
        feature_list = train_data[max_feature_name].value_counts().index
        for f in feature_list:
            # 去掉 最大信息增益这个特征
            sub_train_df = train_data.loc[train_data[max_feature_name] == f].drop([max_feature_name], axis=1)

            # 6 递归生成树
            # 对去掉这个特征的数据继续进行训练
            sub_tree = self.train(sub_train_df)
            # 将当前节点加到递归上层父节点上。
            # 这个算法不是从根节点,一步一步加点生成树,
            # 而是从根节点开始找出最大信息增益节点,这个点只是声明了一下,并没有建立联系。然后递归向下,到达叶节点之后,
            # 将叶节点添加到上层递归的父节点,然后父节点在train另一个子节点,然后将子节点在加入到父节点。
            # 这时最初的根节点仍然是只有一个点,但是最下边的某个子树已经建立了父子关系,生成了树
            node_tree.add_node(f, sub_tree)

        return node_tree

    def fit(self, train_data):
        self._tree = self.train(train_data)
        return self._tree

    def predict(self, X_test):
        return self._tree.predict(X_test)


datasets, labels = create_data()
data_df = pd.DataFrame(datasets, columns=labels)
dt = DTree()
tree = dt.fit(data_df)
print(tree)
print("下边预测数据:[老年, 否, 否, 一般],结果为:")
print(dt.predict(['老年', '否', '否', '一般']))

结果:

{'label:': None, 'feature': 2, 'tree': {'否': {'label:': None, 'feature': 1, 'tree': {'否': {'label:': '否', 'feature': None, 'tree': {}}, '是': {'label:': '是', 'feature': None, 'tree': {}}}}, '是': {'label:': '是', 'feature': None, 'tree': {}}}}
下边预测数据:[老年, 否, 否, 一般],结果为:
否

3,sklearn模拟

import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.tree import export_graphviz
import graphviz


def create_data():
    iris = load_iris()
    df = pd.DataFrame(iris.data, columns=iris.feature_names)
    df['label'] = iris.target
    df.columns = [
        'sepal length', 'sepal width', 'petal length', 'petal width', 'label'
    ]
    data = np.array(df.iloc[:100, [0, 1, -1]])
    # print(data)
    return data[:, :2], data[:, -1]


X, y = create_data()
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)


clf = DecisionTreeClassifier()
clf.fit(X_train, y_train,)
print(clf.score(X_test, y_test))

# 为了让下边的语句执行,首先要安装graphviz,官网下载exe或者zip都行,这种方式要配置环境变量
# pycharm安装失败时,用命令行安装pip install graphviz -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com。这种方式直接安装在了Anaconda下就不用配置环境变量了
# 成功后,在命令行运行dot -v看一下是否成功安装
# 成功后,现在命令行运行dot - c。执行完后,在运行程序即可。
tree_pic = export_graphviz(clf, out_file="mytree.pdf")  # 生成了画树的graphviz语句
with open('mytree.pdf') as f:
    dot_graph = f.read()  # 我们将画树的语句取出来
graph = graphviz.Source(dot_graph)  # 将这些语句存储
graph.view()  # 画出来

结果:

0.9666666666666667

最初生成的mytree.pdf文件:

python中怎么模拟决策树

通过dot画出来的文件(自动命名成Source.gv.pdf):

python中怎么模拟决策树

上述内容就是python中怎么模拟决策树,你们学到知识或技能了吗?如果还想学到更多技能或者丰富自己的知识储备,欢迎关注创新互联行业资讯频道。


文章名称:python中怎么模拟决策树
网址分享:http://myzitong.com/article/gcigoh.html