App下載

Python機器學(xué)習(xí)算法之決策樹算法的實現(xiàn)與優(yōu)缺點

回憶的沙漏 2021-08-16 11:37:48 瀏覽數(shù) (4711)
反饋

在機器學(xué)習(xí)算法中,決策樹算法是一種經(jīng)常使用的預(yù)測算法。今天我們通過介紹決策樹算法的實現(xiàn)和決策樹算法的優(yōu)缺點,來了解一下決策樹算法。

1.算法概述

決策樹算法是在已知各種情況發(fā)生概率的基礎(chǔ)上,通過構(gòu)成決策樹來求取凈現(xiàn)值的期望值大于等于零的概率,評價項目風(fēng)險,判斷其可行性的決策分析方法。

分類算法是利用訓(xùn)練樣本集獲得分類函數(shù)即分類模型(分類器),從而實現(xiàn)將數(shù)據(jù)集中的樣本劃分到各個類中。分類模型通過學(xué)習(xí)訓(xùn)練樣本中屬性集與類別之間的潛在關(guān)系,并以此為依據(jù)對新樣本屬于哪一類進行預(yù)測。

決策樹算法

決策樹算法是直觀運用概率分析的一種圖解法,是一種十分常用的分類方法,屬于有監(jiān)督學(xué)習(xí)。

決策樹是一種樹形結(jié)構(gòu),其中每個內(nèi)部結(jié)點表示在一個屬性上的測試,每個分支代表一個測試輸出,每個葉子結(jié)點代表一種類別。

決策樹學(xué)習(xí)是以實例為基礎(chǔ)的歸納學(xué)習(xí),它采用自頂向下的遞歸方法,其基本思想是以信息熵為度量構(gòu)造一顆熵值下降最快的樹,到葉子結(jié)點處的熵值為零,此時每個葉子節(jié)點中的實例都屬于同一類。

決策樹學(xué)習(xí)算法的最大優(yōu)點是,它可以自學(xué)習(xí),在學(xué)習(xí)的過程中不需要使用者了解過多的背景知識,只需要對訓(xùn)練實例進行較好的標(biāo)注,就能夠進行學(xué)習(xí)。

2.算法種類

ID3算法

  • ID3算法中根據(jù)信息論的信息增益評估和選擇特征。每次選擇信息增益最大的候選特征,作為判斷模塊。
  • 信息增益與屬性的值域大小成正比。屬性取值種類越多,越有可能成為分裂屬性。
  • ID3也不能處理連續(xù)分布的數(shù)據(jù)。

C4.5算法

  • C4.5算法使用信息增益率代替信息增益,進行特征選擇,克服了信息增益選擇特征時偏向于特征值個數(shù)較多的不足。
  • C4.5算法具體算法步驟與ID3類似。
  • C4.5能夠完成對連續(xù)屬性的離散化處理,能夠?qū)Σ煌暾麛?shù)據(jù)進行處理。

C5.0算法

  • C5.0算法是Quinlan在C4.5算法的基礎(chǔ)上提出的商用改進版本,目的是對含有大量數(shù)據(jù)的數(shù)據(jù)集進行分析。
  • C5.0算法與C4.5算法相比有以下優(yōu)勢:
    • 決策樹構(gòu)建時間要比C4.5算法快上數(shù)倍,同時生成的決策樹規(guī)模也更小,擁有更少的葉子結(jié)點數(shù)
    • 使用了提升法(boosting),組合多個決策樹來做出分類,使準(zhǔn)確率大大提高
    • 提供可選項由使用者視情況決定,例如是否考慮樣本的權(quán)重、樣本錯誤分類成本等

CART算法

  • CART決策樹的生成就是遞歸地構(gòu)建二叉決策樹的過程。
  • CART用基尼系數(shù)最小化準(zhǔn)則來進行特征選擇,生成二叉樹。
  • Gini系數(shù)計算公式:

gini系數(shù)計算公式

3.算法示例

算法示例

在機器學(xué)習(xí)中,決策樹是一種預(yù)測模型,它代表的是對象屬性與對象值之間的一種映射關(guān)系。

決策樹的目的是擬合一個可以通過指定輸入值預(yù)測最終輸出值得模型。

決策樹分類器

4.決策樹構(gòu)建示例

描述

構(gòu)建示例

分析

分析

計算

計算

結(jié)論

結(jié)論

5.算法實現(xiàn)步驟

選擇屬性是構(gòu)建一顆決策樹非常關(guān)鍵的一步,被選擇的屬性會成為決策樹的一個節(jié)點,并且不斷遞歸地選擇最優(yōu)的屬性就可以最終構(gòu)建決策樹。

算法實現(xiàn)步驟

計算數(shù)據(jù)集S中的每個屬性的熵 H(xi)選取數(shù)據(jù)集S中熵值最?。ɑ蛘咝畔⒃鲆孀畲?,兩者等價)的屬性在決策樹上生成該屬性節(jié)點使用剩余結(jié)點重復(fù)以上步驟生成決策樹的屬性節(jié)點

 6.算法相關(guān)概念

1948年,香農(nóng)提出了“信息熵”的概念,熵是接收的每條信息中所包含信息的平均量,是不確定性的量度,而不是確定性的量度,因為越隨機的信源的熵越大。熵被定義為概率分布的對數(shù)的相反數(shù)。

信息熵的公式: 信息熵

信息增益

“信息增益”是用來衡量一個屬性區(qū)分?jǐn)?shù)據(jù)樣本的能力,當(dāng)使用某一個屬性作為一棵決策樹的根節(jié)點時,該屬性的信息增益量就越大。決策樹會選擇最大化信息增益來對結(jié)點進行劃分。

信息增益

7.算法實現(xiàn)代碼

import numpy as np
import math
from collections import Counter

# 創(chuàng)建數(shù)據(jù)
def create_data():
    X1 = np.random.rand(50, 1)*100
    X2 = np.random.rand(50, 1)*100
    X3 = np.random.rand(50, 1)*100
    
    def f(x):
        return 2 if x > 70 else 1 if x > 40 else 0
    
    y = X1 + X2 + X3
    Y = y > 150
    Y = Y + 0
    r = map(f, X1)
    X1 = list(r)
    
    r = map(f, X2)
    X2 = list(r)
    
    r = map(f, X3)
    X3 = list(r)
    x = np.c_[X1, X2, X3, Y]
    return x, ['courseA', 'courseB', 'courseC']


# 計算集合信息熵的函數(shù)
def calculate_info_entropy(dataset):
    n = len(dataset)
    # 我們用Counter統(tǒng)計一下Y的數(shù)量
    labels = Counter(dataset[:, -1])
    entropy = 0.0
    # 套用信息熵公式
    for k, v in labels.items():
        prob = v / n
        entropy -= prob * math.log(prob, 2)
    return entropy

# 實現(xiàn)拆分函數(shù)
def split_dataset(dataset, idx):
  	# idx是要拆分的特征下標(biāo)
    splitData = defaultdict(list)
    for data in dataset:
      	# 這里刪除了idx這個特征的取值,因為用不到了
        splitData[data[idx]].append(np.delete(data, idx))
    return list(splitData.values()), list(splitData.keys())

# 實現(xiàn)特征的選擇函數(shù)
def choose_feature_to_split(dataset):
    n = len(dataset[0])-1
    m = len(dataset)
    # 切分之前的信息熵
    entropy = calculate_info_entropy(dataset)
    bestGain = 0.0
    feature = -1
    for i in range(n):
      	# 根據(jù)特征i切分
        split_data, _ = split_dataset(dataset, i)
        new_entropy = 0.0
        # 計算切分后的信息熵
        for data in split_data:
            prob = len(data) / m
            new_entropy += prob * calculate_info_entropy(data)
        # 獲取信息增益
        gain = entropy - new_entropy
        if gain > bestGain:
            bestGain = gain
            feature = i
    return feature

# 決策樹創(chuàng)建函數(shù)
def create_decision_tree(dataset, feature_names):
    dataset = np.array(dataset)
    counter = Counter(dataset[:, -1])
    # 如果數(shù)據(jù)集值剩下了一類,直接返回
    if len(counter) == 1:
        return dataset[0, -1]
    
    # 如果所有特征都已經(jīng)切分完了,也直接返回
    if len(dataset[0]) == 1:
        return counter.most_common(1)[0][0]
    
    # 尋找最佳切分的特征
    fidx = choose_feature_to_split(dataset)
    fname = feature_names[fidx]
    
    node = {fname: {}}
    feature_names.remove(fname)
    
    # 遞歸調(diào)用,對每一個切分出來的取值遞歸建樹
    split_data, vals = split_dataset(dataset, fidx)
    for data, val in zip(split_data, vals):
        node[fname][val] = create_decision_tree(data, feature_names[:])
    return node

# 決策樹節(jié)點預(yù)測函數(shù)
def classify(node, feature_names, data):
  	# 獲取當(dāng)前節(jié)點判斷的特征
    key = list(node.keys())[0]
    node = node[key]
    idx = feature_names.index(key)
    
    # 根據(jù)特征進行遞歸
    pred = None
    for key in node:
      	# 找到了對應(yīng)的分叉
        if data[idx] == key:
          	# 如果再往下依然還有子樹,那么則遞歸,否則返回結(jié)果
            if isinstance(node[key], dict):
                pred = classify(node[key], feature_names, data)
            else:
                pred = node[key]
                
    # 如果沒有對應(yīng)的分叉,則找到一個分叉返回
    if pred is None:
        for key in node:
            if not isinstance(node[key], dict):
                pred = node[key]
                break
    return pred

8.算法優(yōu)缺點

 優(yōu)點:小規(guī)模數(shù)據(jù)集有效

缺點

  • 處理連續(xù)變量不好
  • 類別比較多時,錯誤增加得比較快
  • 不能處理大量數(shù)據(jù)

9.算法優(yōu)化

決策樹算法是一種非常經(jīng)典的算法,其訓(xùn)練過程中主要依靠獲得數(shù)據(jù)間的熵及信息增益作為劃分依據(jù),分類效果較好。但一般情況下我們訓(xùn)練決策樹均是在數(shù)據(jù)量較小的數(shù)據(jù)集進行,當(dāng)訓(xùn)練分類器所用的訓(xùn)練數(shù)據(jù)足夠大時,決策樹會出現(xiàn)樹身過高、擬合效果差等問題。因此,如何高效準(zhǔn)確的構(gòu)建決策樹成為模式識別領(lǐng)域的一項研究熱點。

使用增量訓(xùn)練的方式迭代訓(xùn)練決策樹
融合Bagging與Boosting技術(shù)訓(xùn)練多棵決策樹
對于波動不大、方差較小的數(shù)據(jù)集, 可以探尋一種比較穩(wěn)定的分裂準(zhǔn)則作為解決辦法

總結(jié)

到此這篇決策樹算法的實現(xiàn)和決策樹算法的優(yōu)缺點的介紹就介紹到這了,希望大家以后多多支持W3Cschool!



0 人點贊