决策树
决策树是一种树形结构，其中每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶子节点代表一种分类结果。
决策树学习的三个步骤：
- 特征选择
通常使用信息增益最大、信息增益比最大或基尼指数最小作为特征选择的准则。
- 树的生成
决策树的生成往往通过计算信息增益或其他指标，从根结点开始，递归地产生决策树。这相当于用信息增益或其他准则不断地选取局部最优的特征，或将训练集分割为能够基本正确分类的子集。
- 树的剪枝
由于生成的决策树存在过拟合问题，需要对它进行剪枝，以简化学到的决策树。决策树的剪枝，往往从已生成的树上剪掉一些叶结点或叶结点以上的子树，并将其父结点或根结点作为新的叶结点，从而简化生成的决策树。
常用的特征选择准则：
（1）信息增益（ID3）
样本集合\(D\)对特征\(A\)的信息增益定义为：
\[g(D, A)=H(D)-H(D|A)
\]
\[H(D)=-\sum_{k=1}^{K} \frac{\left|C_{k}\right|}{|D|} \log _{2} \frac{\left|C_{k}\right|}{|D|}
\]
\[H(D | A)=\sum_{i=1}^{n} \frac{\left|D_{i}\right|}{|D|} H\left(D_{i}\right)
\]
（2）信息增益比（C4.5）
样本集合\(D\)对特征\(A\)的信息增益比定义为：
\[g_{R}(D, A)=\frac{g(D, A)}{H_A(D)}
\]
\[H_A(D)=-\sum_{i=1}^{n} \frac{\left|D_{i}\right|}{|D|}log_2 \frac{\left|D_{i}\right|}{|D|}
\]
其中，\(g(D,A)\)是信息增益，\(H(D_A)\)是数据集\(D\)关于特征值A的熵，n是特征A取值的个数。
（3）基尼指数（CART）
样本集合\(D\)的基尼指数（CART）
\[\operatorname{Gini}(D)=1-\sum_{k=1}^{K}\left(\frac{\left|C_{k}\right|}{|D|}\right)^{2}
\]
特征\(A\)条件下集合\(D\)的基尼指数：
\[\operatorname{Gini}(D, A)=\frac{\left|D_{1}\right|}{|D|} \operatorname{Gini}\left(D_{1}\right)+\frac{\left|D_{2}\right|}{|D|} \operatorname{Gini}\left(D_{2}\right)
\]
ID3、C4.5和CART的区别
（1）适用范围：
- ID3和C4.5只能用于分类，CART还可以用于回归任务。
（2）样本数据：
- ID3只能处理离散的特征，C4.5和CART可以处理连续变量的特征（通过对数据排序之后找到类别不同的分割线作为切分点，根据切分点把连续属性转换为布尔型， 从而将连续型变量转换多个取值区间的离散型变量）
- ID3对特征的缺失值没有考虑，C4.5和CART增加了对缺失值的处理（主要是两个问题：样本某些特征缺失的情况下选择划分的属性；选定了划分属性，对于在该属性上缺失特征的样本的处理）
- 从效率角度考虑，小样本C4.5，大样本CART。因为C4.5涉及到多次排序和对数运算，CART采用了简化的二叉树模型，在计算机中二叉树模型会比多叉树运算效率高，同时特征选择采用了近似的基尼系数来简化计算。
（3）节点特征选择：
- 在每个内部节点的特征选择上，ID3选择信息增益最大的特征，C4.5选择信息增益比最大的特征，CART选择基尼指数最小的特征及其切分点作为最优特征和最优切分点。
- ID3和C4.5节点上可以产出多叉，而CART节点上永远是二叉
- 特征变量的使用中，对具有多个分类值的特征ID3和C4.5在层级之间只单次使用，CART可多次重复使用
（4）剪枝
- C4.5是通过剪枝(PEP)来减小模型复杂度增加泛化能力，而CART是对所有子树中选取最优子树(CCP)
用numpy实现ID3决策树的代码如下：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
from collections import defaultdict
from math import log
# 生成书上的数据
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'],
]
df = pd.DataFrame(datasets, columns=[u'年龄', u'有工作', u'有自己的房子', u'信贷情况', u'类别'])
return df
# 计算数据集的熵，需D的最后一列为标签
def entropy(D):
total_num = len(D)
label_cnt = defaultdict(int)
for i in range(total_num):
label = D[i][-1]
label_cnt[label] += 1
ent = -sum([(cnt/total_num) * log(cnt/total_num, 2) for cnt in label_cnt.values()])
return ent
# 计算列索引为index的属性对集合D的条件熵
def cond_entropy(D, index):
total_num = len(D)
feature_sets = defaultdict(list)
for i in range(total_num):
feature = D[i][index]
feature_sets[feature].append(D[i])
cond_ent = sum([(len(d)/total_num) * entropy(d) for d in feature_sets.values()])
return cond_ent
# 决策树节点类
class Node:
def __init__(self, is_leaf, label=None, feature_idx=None, feature_name=None):
self.is_leaf = is_leaf
self.label = label # 仅针对于叶子节点
self.feature_idx = feature_idx # 该节点特征对应的列索引，仅针对于非叶子节点
self.feature_name = feature_name # 该节点特征名，仅针对于非叶子节点
self.sons = {}
def add_son(self, feature_value, node):
self.sons[feature_value] = node
def predict(self, x):
if self.is_leaf:
return self.label
return self.sons[x[self.feature_idx]].predict(x)
def __repr__(self):
s = {
'feature:': self.feature_name,
'label:': self.label,
'sons:': self.sons
}
return '{}'.format(s)
# ID3决策树
class ID3DTree:
def __init__(self, epsilon=0.1):
"""
epsilon: 决策树停止生长的信息增益阈值
"""
self.epsilon = epsilon
self.decision_tree = None
def fit(self, data):
"""data为dataframe格式"""
self.decision_tree = self._train(data)
return self.decision_tree
def predict(self, x):
if self.decision_tree:
return self.decision_tree.predict(x)
def _get_max_gain_feature(self, D):
num_features = len(D[0]) - 1
ent_D = entropy(D)
index, max_gain = 0, 0
for i in range(num_features):
cond_ent = cond_entropy(D, i)
gain = ent_D - cond_ent # 信息增益 = H(D) - H(D|A)
if gain > max_gain:
max_gain = gain
index = i
return index, max_gain
def _train(self, data):
"""递归构建决策树，data为dataframe格式"""
y, feature_names = data.iloc[:, -1], data.columns[:-1]
# 1.数据集中所有样本均属于同一类别，则停止生长
if len(y.value_counts()) == 1:
return Node(is_leaf=True, label=y.iloc[0])
# 2.数据集中特征数量为空，则将包含实例数量最多的类作为该叶子节点的标签
if len(feature_names) == 0:
label = y.value_counts().sort_values(ascending=False).index[0]
return Node(is_leaf=True, label=label)
# 计算信息增益最大的特征
idx, max_gain = self._get_max_gain_feature(np.array(data))
# 3. 如果最大的信息增益小于设置的阈值，则停止生长
if max_gain < self.epsilon:
label = y.value_counts().sort_values(ascending=False).index[0]
return Node(is_leaf=True, label=label)
target_feature = feature_names[idx] # 当前节点特征
curr_node = Node(is_leaf=False, feature_idx=idx, feature_name=target_feature)
value_sets = data[target_feature].value_counts().index # 该特征取值集合
for value in value_sets:
sub_data = data.loc[data[target_feature]==value].drop([target_feature], axis=1)
# 4.递归生成子树
sub_tree = self._train(sub_data)
curr_node.add_son(value, sub_tree)
return curr_node
测试代码：
df_data = create_data()
dt = ID3DTree()
tree = dt.fit(df_data)
print('决策树：{}'.format(tree))
y_test = dt.predict(['老年', '否', '是', '非常好'])
print('样本 [老年, 否, 是, 非常好] 的预测结果：{}'.format(y_test))
输出为：
决策树：{'feature:': '有自己的房子', 'label:': None, 'sons:': {'否': {'feature:': '有工作', 'label:': None, 'sons:': {'否': {'feature:': None, 'label:': '否', 'sons:': {}}, '是': {'feature:': None, 'label:': '是', 'sons:': {}}}}, '是': {'feature:': None, 'label:': '是', 'sons:': {}}}}
样本 [老年, 否, 是, 非常好] 的预测结果：是