-
Notifications
You must be signed in to change notification settings - Fork 0
/
trees.py
363 lines (321 loc) · 13.6 KB
/
trees.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
#!/usr/bin/env python
# -*- coding: UTF-8 -*-
'''
@Project :Decision_Tree
@File :trees.py
@IDE :PyCharm
@Author :YuYang_Sun
@Date :2022-4-20 17:47
@Introduction: 关于tree树的构建,其中包括计算不同的评价标准!
'''
from math import log
import operator
import pickle
'''
计算数据集香农熵
dataSet - 待划分的数据集
'''
def calcShannonEnt(dataSet):
'''计算数据集的熵'''
numEntries = len(dataSet) # 获取数据集样本个数
labelCounts = {} # 初始化一个字典用来保存每个标签出现的次数
for featVec in dataSet:
currentLabel = featVec[-1] # 逐个获取标签信息
# 如果标签没有放入统计次数字典的话,就添加进去
if currentLabel not in labelCounts.keys(): labelCounts[currentLabel] = 0
labelCounts[currentLabel] += 1
shannonEnt = 0.0 # 初始化香农熵
for key in labelCounts:
prob = float(labelCounts[key]) / numEntries # 选择该标签的概率
shannonEnt -= prob * log(prob, 2) # 公式计算
return shannonEnt
'''
定义按照某个特征进行划分的函数splitDataSet
输入三个变量(待划分的数据集,特征,分类值)
axis表示划分数据集的特征、value分类值
我们将对每个特征划分数据集的结果计算一次信息熵,
然后判断按照哪个特征划分数据集是最好的划分方式,
下面我们先定义一个函数,用来实现按照给定的特征划分数据集这一功能
'''
def splitDataSet(dataSet, axis, value):
'''按照给定特征划分数据集'''
retDataSet = [] # 创建新列表以存放满足要求的样本
for featVec in dataSet:
if featVec[axis] == value:
# 下面这两句用来将axis特征去掉,并将符合条件的添加到返回的数据集中
reducedFeatVec = featVec[:axis]
reducedFeatVec.extend(featVec[axis + 1:])
retDataSet.append(reducedFeatVec)
return retDataSet
'''--------------------------------------------信息增益的计算方式------------------------------------------'''
'''
#选择信息增益最大的(最优)特征作为数据集划分方式
dataSet - 待划分的数据集 ID3
'''
def chooseBeatFeatureToSplit(dataSet):
numFeatures = len(dataSet[0]) - 1
baseEntropy = calcShannonEnt(dataSet)
bestInfoGain = 0.0
bestFeature = -1
for i in range(numFeatures):
# 创建唯一的分类标签列表
featList = [example[i] for example in dataSet]
uniqueVals = set(featList)
newEntropy = 0.0
# 计算每种划分方式的信息熵
for value in uniqueVals:
subDataSet = splitDataSet(dataSet, i, value)
prob = len(subDataSet) / float(len(dataSet))
newEntropy += prob * calcShannonEnt(subDataSet)
# 计算最好的信息增益
infoGain = baseEntropy - newEntropy
# 打印每个特征的信息增益
print("第%d个特征的增益为%.3f" % (i, infoGain))
if (infoGain > bestInfoGain):
bestInfoGain = infoGain
bestFeature = i
print("选择%d" % bestFeature)
# 返回信息增益最大的特征的索引值
return bestFeature
'''--------------------------------------------信息增益率计算方式------------------------------------------'''
'''
信息增益率 需要先算出信息增益 然后在计算!
信息增益率 --> C4.5
'''
def chooseBestFeatureToSplit(dataSet):
# 特征数量
numFeatures = len(dataSet[0]) - 1 # 最后一列为label
# 计算数据集的香农熵
baseEntropy = calcShannonEnt(dataSet)
# 信息增益
bestInfoGain = 0.0
# 最优特征的索引值
bestFeature = -1
# 遍历所有特征
for i in range(numFeatures):
# 获取dataSet的第i个所有特征存在featList这个列表中(列表生成式)
featList = [example[i] for example in dataSet]
# 创建set集合{},元素不可重复,重复的元素均被删掉
# 从列表中创建集合是python语言得到列表中唯一元素值得最快方法
uniqueVals = set(featList)
# 经验条件熵
newEntropy = 0.0
# 计算信息增益
for value in uniqueVals:
# subDataSet划分后的子集
subDataSet = splitDataSet(dataSet, i, value)
# 计算子集的概率
prob = len(subDataSet) / float(len(dataSet))
# 根据公式计算经验条件熵
newEntropy += prob * calcShannonEnt(subDataSet)
# 信息增益
infoGain = baseEntropy - newEntropy
# 打印每个特征的信息增益
print("第%d个特征的增益为%.3f" % (i, infoGain))
# 计算信息增益
if (infoGain > bestInfoGain):
# 更新信息增益,找到最大的信息增益
bestInfoGain = infoGain
# 记录信息增益最大的特征的索引值
bestFeature = i
# 返回信息增益最大的特征的索引值
return bestFeature
def chooseBestFeatureToSplitRatio(dataSet):
# 特征数量
numFeatures = len(dataSet[0]) - 1 # 最后一列为label
# 计算数据集的香农熵
baseEntropy = calcShannonEnt(dataSet)
# 信息增益
bestInfoGain = 0.0
# 最优特征的索引值
bestFeature = -1
# 遍历所有特征
for i in range(numFeatures):
# 获取dataSet的第i个所有特征存在featList这个列表中(列表生成式)
featList = [example[i] for example in dataSet]
# 创建set集合{},元素不可重复,重复的元素均被删掉
# 从列表中创建集合是python语言得到列表中唯一元素值得最快方法
uniqueVals = set(featList)
# 经验条件熵
newEntropy = 0.0
IV = 0.0
# 计算信息增益
for value in uniqueVals:
# subDataSet划分后的子集
subDataSet = splitDataSet(dataSet, i, value)
# 计算子集的概率
prob = len(subDataSet) / float(len(dataSet))
# 根据公式计算经验条件熵
newEntropy += prob * calcShannonEnt(subDataSet)
IV -= prob * log(prob, 2)
# 信息增益
infoGain = baseEntropy - newEntropy
# 信息增益率
if IV == 0:
IV = 1
infoGainRatio = infoGain / IV
# 打印每个特征的信息增益
print("第%d个特征的增益率为%.3f" % (i, infoGainRatio))
# 计算信息增益率
if (infoGainRatio > bestInfoGain):
# 更新信息增益率,找到最大的信息增益率
bestInfoGain = infoGainRatio
# 记录信息增益率最大的特征的索引值
bestFeature = i
print("选择第%d" % bestFeature, "个特征")
# 返回信息增益率最大的特征的索引值
return bestFeature
'''--------------------------------------------基尼指数------------------------------------------'''
'''
基尼指数
'''
def gini(dataSet):
# 返回数据集的行数
numEntires = len(dataSet)
# 保存每个标签(Label)出现次数的“字典”
labelCounts = {}
# 对每组特征向量进行统计
for featVec in dataSet:
# 提取标签(Label)信息
currentLabel = featVec[-1]
# 如果标签(Label)没有放入统计次数的字典,添加进去
if currentLabel not in labelCounts.keys():
# 创建一个新的键值对,键为currentLabel值为0
labelCounts[currentLabel] = 0
# Label计数
labelCounts[currentLabel] += 1
# 经验熵(香农熵)
shannonEnt = 0.0
# 计算香农熵
for key in labelCounts:
# 选择该标签(Label)的概率
prob = float(labelCounts[key]) / numEntires
# 利用公式计算
shannonEnt = pow(prob, 2)
# 返回经验熵(香农熵)
print("SHANNO = ", 1 - shannonEnt)
return 1 - shannonEnt
def chooseBestFeatureToSplitGini(dataSet):
# 特征数量
numFeatures = len(dataSet[0]) - 1 # 最后一列为label
print(numFeatures)
# 计算数据集的香农熵
baseEntropy = calcShannonEnt(dataSet)
# 信息增益
bestInfoGain = 100
# 最优特征的索引值
bestFeature = -1
# 遍历所有特征
for i in range(numFeatures):
# 获取dataSet的第i个所有特征存在featList这个列表中(列表生成式)
featList = [example[i] for example in dataSet]
print(featList)
# 创建set集合{},元素不可重复,重复的元素均被删掉
# 从列表中创建集合是python语言得到列表中唯一元素值得最快方法
uniqueVals = set(featList)
# 经验条件熵
print(uniqueVals)
gini_index = 0.0
# 计算信息增益
for value in uniqueVals:
# subDataSet划分后的子集
subDataSet = splitDataSet(dataSet, i, value)
# 计算子集的概率
prob = len(subDataSet) / float(len(dataSet))
# print("第%%d个特征的prob为%%.3f" %% (value, prob))
# 根据公式计算基尼指数
gini_index += prob * gini(subDataSet)
# 打印每个特征的信息增益
print("第%d个特征的基尼指数为%.3f" % (i, gini_index))
# 计算基尼指数
if (gini_index < bestInfoGain):
# 更新基尼指数,找到最大的基尼指数
bestInfoGain = gini_index
# 记录基尼指数最小的特征的索引值
bestFeature = i
print("选择第%d" % bestFeature, "个特征")
# 返回信息增益最大的特征的索引值
# 返回基尼指数最小的特征的索引值
return bestFeature
'''--------------------------------------------构建决策树部分------------------------------------------'''
'''构建决策树'''
def majorityCnt(classList):
'''计算出现最多的类标签 '''
classCount = {}
for vote in classCount:
if vote not in classCount.keys():
classCount[vote] = 0
classCount[vote] += 1
sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
return sortedClassCount[0][0]
'''选取最优划分特征!可以通过选择信息增益、信息增益率、Gini指数来做'''
def createTree(dataSet, labels):
'''建树'''
classList = [example[-1] for example in dataSet] # 获取类别标签
if classList.count(classList[0]) == len(classList):
return classList[0] # 类别完全相同则停止继续划分
if len(dataSet[0]) == 1:
return majorityCnt(classList) # 遍历完所有特征时返回出现次数最多的类别
beatFeat = chooseBeatFeatureToSplit(dataSet) # 选取最优划分特征 -- 信息增益
# beatFeat = chooseBestFeatureToSplitRatio(dataSet) -- 信息增益率
# beatFeat = chooseBestFeatureToSplitGini(dataSet) -- 基尼系数
beatFeatLable = labels[beatFeat] # 获取最优划分特征对应的属性标签
myTree = {beatFeatLable: {}} # 存储树的所有信息
del (labels[beatFeat]) # 删除已经使用过的属性标签
featValues = [example[beatFeat] for example in dataSet] # 得到训练集中所有最优特征的属性值
uniqueVals = set(featValues) # 去掉重复的属性值
for value in uniqueVals: # 遍历特征,创建决策树
subLabels = labels[:] # 剩余的属性标签列表
# 递归函数实现决策树的构建
myTree[beatFeatLable][value] = createTree(splitDataSet
(dataSet, beatFeat, value), subLabels)
return myTree
'''决策树策树分类器'''
def classify(inputTree, featLabels, testVec):
'''使用决策树的分类函数'''
global classLabel
firstStr = list(inputTree.keys())[0] # 获取根节点
secondDict = inputTree[firstStr] # 获取下一级分支
featIndex = featLabels.index(firstStr) # 查找当前列表中第一个匹配firstStr变量的元素的索引
# key = testVec[featIndex] # 获取测试样本中,与根节点特征对应的取值
# valueOfFeat = secondDict[key] # 获取测试样本通过第一个特征分类器后的输出
# if isinstance(valueOfFeat, dict): # 判断节点是否为字典来以此判断是否为叶节点
# classLabel = classify(valueOfFeat, featLabels, testVec)
# else:
# classLabel = valueOfFeat # 如果到达叶子节点,则返回当前节点的分类标签
# return classLabel
for key in secondDict.keys():
if testVec[featIndex] == key:
if type(secondDict[key]).__name__ == 'dict':
classLabel = classify(secondDict[key], featLabels, testVec)
else:
classLabel = secondDict[key]
return classLabel
def storeTree(inputTree, filename):
'''存储决策树'''
fw = open(filename, 'wb')
pickle.dump(inputTree, fw)
fw.close()
def grabTree(filename):
'''加载决策树'''
fr = open(filename, 'rb')
return pickle.load(fr)
'''
用于文件读取和文本预处理数据集中的训练集和测试集
'''
def loadTrainData():
fr = open('car/cardata.txt')
lines = fr.readlines()
retData = []
for line in lines:
items = line.strip().split(',')
retData.append([items[i] for i in range(0, len(items))])
return retData
def loadTestData():
fr = open('car/car_test.txt')
lines = fr.readlines()
retData = []
for line in lines:
items = line.strip().split(',')
retData.append([items[i] for i in range(0, len(items))])
return retData