实验一：决策树算法实验
姓名：许珂
学号：201613344
【实验目的】
- 理解决策树算法原理，掌握决策树算法框架；
- 理解决策树学习算法的特征选择、树的生成和树的剪枝；
- 能根据不同的数据类型，选择不同的决策树算法；
- 针对特定应用场景及数据，能应用决策树算法解决实际问题。
【实验内容】
- 设计算法实现熵、经验条件熵、信息增益等方法。
- 针对给定的房贷数据集(数据集表格见附录1)实现ID3算法。
- 熟悉sklearn库中的决策树算法；
- 针对iris数据集，应用sklearn的决策树算法进行类别预测。
【实验报告要求】
- 对照实验内容，撰写实验过程、算法及测试结果；
- 代码规范化：命名规则、注释；
- 查阅文献，讨论ID3、5算法的应用场景；
- 查询文献，分析决策树剪枝策略。
实验代码
1.设计算法实现熵、经验条件熵、信息增益等办法：
1 #导入本次实验所需要的包 2 import numpy as np 3 import 4 import matplotlib.pyplot as plt 5 %matplotlib inline 6 from sklearn.datasets import load_iris 7 from sklearn.model_selection import train_test_split 8 from collections import Counter 9 import math 10 from math import log 11 import pprint
#数据集和分类属性
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
1 datasets, labels = create_data() 2 train_data = pd.DataFrame(datasets, columns=labels) 3 train_data
运行结果：
计算数据集的熵
1 def calc_ent(datasets):
2 data_length = len(datasets)
3 label_count = {}
4 for i in range(data_length):
5 label = datasets[i][-1]
6 if label not in label_count:
7 label_count[label] = 0
8 label_count[label] += 1
9 ent = -sum([(p / data_length) * log(p / data_length, 2)
10 for p in label_count.values()])
11 return ent
12
13
14 ent = calc_ent(datasets)
15 ent
16 #def entropy(y):
17 #Entropy of a label sequence
18 #"""
19 #hist = np.bincount(y)
20 #ps = hist / np.sum(hist)
21 #return -np.sum([p * np.log2(p) for p in ps if p > 0])
运行结果：
计算经验条件熵
1 def cond_ent(datasets, axis=0): 2 data_length = len(datasets)
3 feature_sets = {}
4 for i in range(data_length):
5 feature = datasets[i][axis]
6 if feature not in feature_sets:
7 feature_sets[feature] = []
8 feature_sets[feature].append(datasets[i])
9 cond_ent = sum([(len(p) / data_length) * calc_ent(p) for p in feature_sets.values()])
10 return cond_ent
11
12 cond_ent = cond_ent(datasets)
13 cond_ent
运行结果：
计算数据集的信息增益：
1 def info_gain(ent, cond_ent):
2 return ent - cond_ent
3 def info_gain_train(datasets):
4 count = len(datasets[0]) - 1
5 ent = calc_ent(datasets)
6
7 #ent = entropy(datasets)
8 best_feature = []
9 for c in range(count):
10 c_info_gain = info_gain(ent, cond_ent(datasets, axis=c))
11 best_feature.append((c, c_info_gain))
12 print('特征({}) - info_gain - {:.3f}'.format(labels[c], c_info_gain))
13 # 比较大小
14 best_ = max(best_feature, key=lambda x: x[-1])
15 return '特征({})的信息增益最大，选择为根节点特征'.format(labels[best_[0]])
info_gain_train(np.array(datasets))
运行结果：
2.针对给定的房贷数据集实现ID3算法：
1 #使用ID3算法生成决策树
2 class Node:
3 def __init__(self, root=True, label=None, feature_name=None, feature=None):
4 self.root = root
5 self.label = label
6 self.feature_name = feature_name
7 self.feature = feature
8 self.tree = {}
9 self.result = {
10 'label:': self.label,
11 'feature': self.feature,
12 'tree': self.tree}
13 def __repr__(self):
14 return '{}'.format(self.result)
15 def add_node(self, val, node):
16 self.tree[val] = node
17 def predict(self, features):
18 if self.root is True:
19 return self.label
20 return self.tree[features[self.feature]].predict(features)
21
22 class DTree:
23 def __init__(self, epsilon=0.1):
24 self.epsilon = epsilon
25 self._tree = {}
26 # 熵
27 @staticmethod
28 def calc_ent(datasets):
29 data_length = len(datasets)
30 label_count = {}
31 for i in range(data_length):
32 label = datasets[i][-1]
33 if label not in label_count:
34 label_count[label] = 0
35 label_count[label] += 1
36 ent = -sum([(p / data_length) * log(p / data_length, 2)
37 for p in label_count.values()])
38 return ent
39 # 经验条件熵
40 def cond_ent(self, datasets, axis=0):
41 data_length = len(datasets)
42 feature_sets = {}
43 for i in range(data_length):
44 feature = datasets[i][axis]
45 if feature not in feature_sets:
46 feature_sets[feature] = []
47 feature_sets[feature].append(datasets[i])
48 cond_ent = sum([(len(p) / data_length) * self.calc_ent(p)
49 for p in feature_sets.values()])
50 return cond_ent
51 # 信息增益
52 @staticmethod
53 def info_gain(ent, cond_ent):
54 return ent - cond_ent
55 def info_gain_train(self, datasets):
56 count = len(datasets[0]) - 1
57 ent = self.calc_ent(datasets)
58 best_feature = []
59 for c in range(count):
60 c_info_gain = self.info_gain(ent, self.cond_ent(datasets, axis=c))
61 best_feature.append((c, c_info_gain))
62 # 比较大小
63 best_ = max(best_feature, key=lambda x: x[-1])
64 return best_
65 def train(self, train_data):
66 """
67 input:数据集D(DataFrame格式)，特征集A，阈值eta
68 output:决策树T
69 """
70 _, y_train, features = train_data.iloc[:, :
71 -1], train_data.iloc[:,-1], train_data.columns[:-1]
72 # 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
73 if len(y_train.value_counts()) == 1:
74 return Node(root=True, label=y_train.iloc[0])
75 # 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
76 if len(features) == 0:
77 return Node(
78 root=True,
79 label=y_train.value_counts().sort_values(
80 ascending=False).index[0])
81 # 3,计算最大信息增益 同5.1,Ag为信息增益最大的特征
82 max_feature, max_info_gain = self.info_gain_train(np.array(train_data))
83 max_feature_name = features[max_feature]
84 # 4,Ag的信息增益小于阈值eta,则置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
85 if max_info_gain < self.epsilon:
86 return Node(
87 root=True,
88 label=y_train.value_counts().sort_values(ascending=False).index[0])
89 # 5,构建Ag子集
90 node_tree = Node(
91 root=False, feature_name=max_feature_name, feature=max_feature)
92 feature_list = train_data[max_feature_name].value_counts().index
93 for f in feature_list:
94 sub_train_df = train_data.loc[train_data[max_feature_name] ==f].drop([max_feature_name], axis=1)
95 # 6, 递归生成树
96 sub_tree = self.train(sub_train_df)
97 node_tree.add_node(f, sub_tree)
98 # pprint.pprint(node_tree.tree)
99 return node_tree
100 def fit(self, train_data):
101 self._tree = self.train(train_data)
102 return self._tree
103 def predict(self, X_test):
104 return self._tree.predict(X_test)
1 #创建决策树 2 datasets, labels = create_data() 3 data_df = pd.DataFrame(datasets, columns=labels) 4 dt = DTree() 5 tree = dt.fit(data_df) 6 tree
运行结果：
1 dt.predict(['老年', '否', '否', '一般'])
运行结果：
3.针对iris数据集，应用sklearn的决策树算法进行类别预测：
1 import numpy as np
2 import random
3 from sklearn import tree
4 from graphviz import Source
5 import pandas as pd
6 import re
7
8 def origalData():
9 dataSet =[['青年', '否', '否', '一般', '否'],
10 ['青年', '否', '否', '好', '否'],
11 ['青年', '是', '否', '好', '是'],
12 ['青年', '是', '是', '一般', '是'],
13 ['青年', '否', '否', '一般', '否'],
14 ['中年', '否', '否', '一般', '否'],
15 ['中年', '否', '否', '好', '否'],
16 ['中年', '是', '是', '好', '是'],
17 ['中年', '否', '是', '非常好', '是'],
18 ['中年', '否', '是', '非常好', '是'],
19 ['老年', '否', '是', '非常好', '是'],
20 ['老年', '否', '是', '好', '是'],
21 ['老年', '是', '否', '好', '是'],
22 ['老年', '是', '否', '非常好', '是'],
23 ['老年', '否', '否', '一般', '否'],]
24 labels = [u'年龄', u'有工作', u'有自己的房子', u'信贷情况', u'类别'] # 分类属性
25 return dataSet, labels # 返回数据集和分类属性
26
27
28 if __name__ == '__main__':
29 dataset,labels = origalData()
30 datasetFrame = pd.DataFrame(dataset)
31 print("datasetFrame:{}".format(datasetFrame))
32 X_train = datasetFrame.iloc[:,:-1]
33 Y_train = datasetFrame.iloc[:,4:]
34 a = np.column_stack((Y_train,X_train))
35 clf = tree.DecisionTreeClassifier(criterion='gini',max_depth=4)
36 clf =clf.fit(X_train,Y_train)
37 graph = Source(tree.export_graphviz(clf,out_file=None))
38 graph.format='png'
39 graph.render('dtYesNo',view=True)
40 print('X_train:{}\nY_train:{}'.format(X_train,Y_train))
41 # print("dataset:{}\nlabels:{}".format(dataset,labels))
运行结果：
1 import numpy as np
2 import pandas as pd
3 import matplotlib.pyplot as plt
4 from graphviz import Source
5 from sklearn.datasets import load_iris
6 from sklearn.metrics import accuracy_score
7 from sklearn.model_selection import train_test_split
8 from _collections import _count_elements
9 import math
10 from sklearn import tree
11 from math import log
12 import pprint
13 from sklearn.tree import DecisionTreeClassifier
14 from sklearn.tree import export_graphviz
15 import graphviz
16
17 def create_data():
18 iris = load_iris()
19 df = pd.DataFrame(iris.data,columns=iris.feature_names)
20 df['label']=iris.target
21 df.columns = ['speal length','speal width','petal length','petal width','label']
22 data = np.array(df.iloc[:100,[0,1,-1]])
23 print('data:')
24 print(data)
25
26 return data[:,:2],data[:,-1]
27 if __name__ == '__main__':
28 iris = load_iris()
29 X,y = create_data()
30 X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.3)
31 #print(X_train,X_test,y_train,y_test)
32 clf = DecisionTreeClassifier(max_depth=4)
33 print(clf.fit(X_train,y_train,))
34 print(clf.score(X_test,y_test))
35 predict_results = clf.predict(X_test) # 使用模型对测试集进行预测
36 print(predict_results)
37 print(accuracy_score(predict_results, y_test))
38 graph = Source(tree.export_graphviz(clf, out_file=None))
39 graph.format = 'png'
40 graph.render('dt', view=True)
运行结果：
实验小结：
讨论ID3算法的应用场景
ID3算法应用场景：
通过本次实验，我对决策树算法实验和ID3算法有了更近一步的掌握，它的基础理论清晰，算法比较简单，学习能力较强，适合处理大规模的学习问题，是数据挖掘和知识发现领域中的一个很好的范例，为后来各学者提出优化算法奠定了理论基础，ID3算法特别在机器学、知识发现和数据挖掘等领域得到了极大地发展。
分析决策树剪枝策略：
- 如何进行决策树剪枝
先对数据集划分成训练集和验证集，训练集用来决定书生成过程中每个节点划分选择的属性，验证集在预剪枝中用于决定该节点是否有必要一句改属性进行展开，在后剪枝中用于判断该节点是否需要进行剪枝。先剪枝（pruning）的目的是为了避免决策树模型的过拟合。因为决策树算法在学习的过程中为了尽可能的正确的分类训练样本，不停地对结点进行划分，因此这会导致整棵树的分支过多，也就导致了过拟合。决策树的剪枝策略最基本的有两种：预剪枝（pre-pruning）和后剪枝（post-pruning）： - 预剪枝（pre-pruning）：预剪枝就是在构造决策树的过程中，先对每个结点在划分前进行估计，若果当前结点的划分不能带来决策树模型泛华性能的提升，则不对当前结点进行划分并且将当前结点标记为叶结点
预剪枝
通过提前停止树的构建而对树剪枝，一旦停止，节点就是树叶，该树叶持有子集元祖最频繁的类。
标签：datasets,self,feature,算法,train,实验,ent,data,决策树 From： https://www.cnblogs.com/Xu820228/p/16840171.html