cart决策树示例：
本文目标，仿照sklearn写一个cart树，但是仅仅使用max_depth作为剪枝依据。
我们本次实现cart分类，因此用到gini指数：
为了帮助理解：
好了，理解了基尼指数。我们看下cart树的构建步骤：
注意还有几个细节：
cart树每个treenode存储了哪些数据？
在CART决策树中，每个节点（TreeNode）通常存储以下数据：
-
划分特征：这是用于根据某种条件划分数据集的特征。例如，如果一个节点用"年龄 > 30"作为分割条件，那么"年龄"就是这个节点的划分特征。
-
划分阈值：与划分特征配合使用，定义了数据应如何分割。在上面的例子中，阈值是30。
-
左子节点：满足划分条件的数据子集的节点。例如，在上面的"年龄 > 30"例子中，大于30岁的数据会被划分到左子节点。
-
右子节点：不满足划分条件的数据子集的节点。在上面的例子中，30岁及以下的数据会被划分到右子节点。
-
类标签：只在叶节点中有效。表示该节点所代表的数据子集中最常见的类别。当新数据通过决策树进行预测时，最终到达的叶节点的类标签就是其预测结果。
-
数据子集：节点当前代表的数据子集。在许多实际实现中，为了节省内存，节点可能不直接存储数据子集，而是存储数据索引或其他引用。
-
基尼不纯度或其他不纯度指标：代表当前数据子集的不纯度。在构建树的过程中，这个指标用于判断是否应该继续划分当前节点。
-
其他可选信息：如节点深度、父节点引用、数据点的数量等。
这些数据允许决策树在训练过程中进行递归分割，以及在预测过程中导航通过树结构。
好了，实现代码如下：
import numpy as np
class TreeNode:
def __init__(self, gini, num_samples, num_samples_per_class, predicted_class):
self.gini = gini
self.num_samples = num_samples
self.num_samples_per_class = num_samples_per_class
self.predicted_class = predicted_class
self.feature_index = 0
self.threshold = 0
self.left = None
self.right = None
def gini(y):
m = len(y)
return 1.0 - sum([(np.sum(y == c) / m) ** 2 for c in np.unique(y)])
def grow_tree(X, y, depth=0, max_depth=None):
classes = np.unique(y)
num_samples_per_class = [np.sum(y == c) for c in classes]
predicted_class = classes[np.argmax(num_samples_per_class)]
node = TreeNode(
gini=gini(y),
num_samples=len(y),
num_samples_per_class=num_samples_per_class,
predicted_class=predicted_class,
)
if depth < max_depth:
idx, thr = best_split(X, y)
if idx is not None:
indices_left = X[:, idx] < thr
X_left, y_left = X[indices_left], y[indices_left]
X_right, y_right = X[~indices_left], y[~indices_left]
node.feature_index = idx
node.threshold = thr
node.left = grow_tree(X_left, y_left, depth + 1, max_depth)
node.right = grow_tree(X_right, y_right, depth + 1, max_depth)
return node
def best_split(X, y):
"""
用numpy实现best_split，见下，可以先看不用numpy的实现
"""
n_samples, n_features = X.shape
if len(np.unique(y)) == 1:
return None, None
best = {}
min_gini = float('inf')
for feature_idx in range(n_features):
thresholds = np.unique(X[:, feature_idx])
for threshold in thresholds:
left_mask = X[:, feature_idx] < threshold
right_mask = ~left_mask
gini_left = gini(y[left_mask])
gini_right = gini(y[right_mask])
weighted_gini = len(y[left_mask]) / n_samples * gini_left + len(y[right_mask]) / n_samples * gini_right
if weighted_gini < min_gini:
best = {
'feature_index': feature_idx,
'threshold': threshold,
'left_labels': y[left_mask],
'right_labels': y[right_mask],
'gini': weighted_gini
}
min_gini = weighted_gini
return best['feature_index'], best['threshold']
def best_split2(X, y):
"""
不用numpy实现best_split
"""
n_samples, n_features = len(X), len(X[0])
# 如果样本中只有一种输出标签或样本为空，则返回None
if len(set(y)) == 1:
return None, None
# 初始化最佳分割的信息
best = {}
min_gini = float('inf')
# 遍历每个特征
for feature_idx in range(n_features):
# 获取当前特征的所有唯一值，并排序
unique_values = sorted(set(row[feature_idx] for row in X))
# 遍历每个唯一值，考虑将其作为分割阈值
for value in unique_values:
left_y, right_y = [], []
# 对于每个样本，根据其特征值与阈值的关系分到左子集或右子集
for i, row in enumerate(X):
if row[feature_idx] < value:
left_y.append(y[i])
else:
right_y.append(y[i])
# 计算左子集和右子集的基尼指数
gini_left = 1.0 - sum([(left_y.count(label) / len(left_y)) ** 2 for label in set(left_y)])
gini_right = 1.0 - sum([(right_y.count(label) / len(right_y)) ** 2 for label in set(right_y)])
# 计算加权基尼指数
weighted_gini = len(left_y) / len(y) * gini_left + len(right_y) / len(y) * gini_right
# 如果当前基尼值小于已知的最小基尼值，更新最佳分割
if weighted_gini < min_gini:
best = {
'feature_index': feature_idx,
'threshold': value,
'left_labels': left_y,
'right_labels': right_y,
'gini': weighted_gini
}
min_gini = weighted_gini
return best['feature_index'], best['threshold']
def predict_tree(node, X):
if node.left is None and node.right is None:
return node.predicted_class
if X[node.feature_index] < node.threshold:
return predict_tree(node.left, X)
else:
return predict_tree(node.right, X)
def predict_tree2(node, X):
if node.left is None and node.right is None:
return node.predicted_class
if X[node.feature_index] < node.threshold:
return predict_tree(node.left, X)
else:
return predict_tree(node.right, X)
class CARTClassifier:
def __init__(self, max_depth=None):
self.max_depth = max_depth
def fit(self, X, y):
self.tree_ = grow_tree(X, y, max_depth=self.max_depth)
def predict(self, X):
return [predict_tree(self.tree_, x) for x in X]
# 使用示例
if __name__ == "__main__":
"""
# 好好理解下这个分割的函数
X = np.array([[2.5], [3.5], [1], [1.5], [2], [3], [0]])
y = np.array([1, 1, 0, 0, 1, 0, 2])
best_idx, best_thr = best_split(X, y)
"""
from sklearn.datasets import load_iris
data = load_iris()
X, y = data.data, data.target
clf = CARTClassifier(max_depth=4)
clf.fit(X, y)
preds = clf.predict(X)
accuracy = sum(preds == y) / len(y)
print(f"Accuracy: {accuracy:.4f}")
from sklearn.tree import DecisionTreeClassifier
# 创建分类树实例
clf = DecisionTreeClassifier(max_depth=4)
# 分类树训练
clf.fit(X, y)
preds = clf.predict(X)
accuracy = sum(preds == y) / len(y)
print(f"sklearn Accuracy: {accuracy:.4f}")
输出：
Accuracy: 0.9933 sklearn Accuracy: 0.9933 标签：node,gini,feature,cart,算法,right,决策树,class,left From： https://www.cnblogs.com/bonelee/p/17691555.html