从底层实现决策树并分类实战

P粉084495128
发布: 2025-07-29 11:32:55
原创
176人浏览过
本文介绍决策树算法及实现。算法以树形结构推理分类,含根节点、内部节点和叶节点,ID3算法用信息熵测纯度,依信息增益选特征。代码构建贷款数据集,实现香农熵计算、数据集划分等功能,递归生成决策树并测试成功,还分析了决策树的优缺点。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

从底层实现决策树并分类实战 - php中文网

1.算法思想

决策树算法采用树形结构,使用层层推理来实现最终的分类

  • 根节点:包含样本的全集
  • 内部节点:对应特征属性测试
  • 叶节点:代表决策的结果

预测时,在树的内部节点处用某一属性值进行判断,根据判断结果决定进入哪个分支节点,直到到达叶节点处,得到分类结果。 这是一种基于 if-then-else 规则的有监督学习算法,决策树的这些规则通过训练得到,而不是人工制定的。 决策树是最简单的机器学习算法,它易于实现,可解释性强,完全符合人类的直观思维,有着广泛的应用。

使用ID3算法递归构建决策树并使用决策树执行分类

ID3算法(ID意思是 Iterative dichotomiser, 迭代二分器) 一般而言,随着划分过程不断进行,我们希望决策树的分支样本尽可能属于同一类别,即节点的“纯度”(purity)越来越高。 在ID3算法中我们使用信息熵(information entropy)衡量纯度(定义如下),熵越小,纯度越高

从底层实现决策树并分类实战 - php中文网

其中,D是样本集,p_k是第k类占比,共有K类 。 ID3算法是以信息增益(information gain)来选择最好的特征的,下面的式子是以属性a作划分的信息增益。

从底层实现决策树并分类实战 - php中文网

v代表value,指数据集中属性a的取值,我们把不同取值的数据分开,分别计算它们的信息熵,加总即可得到以属性a划分后的信息熵。信息增益对应到决策树上就是父节点信息熵和它的各个子节点信息熵之和的差值。

2.代码实现

2.1数据集制作

  • 年龄:0代表青年,1代表中年,2代表老年;
  • 有工作:0代表否,1代表是;
  • 有自己的房子:0代表否,1代表是;
  • 信贷情况:0代表一般,1代表好,2代表非常好;
  • 类别(是否给贷款):0代表否,1代表是。
In [1]
import mathimport collections
登录后复制
In [2]
# 构建数据集def createDataSet():
    data_set = [[0, 0, 0, 0, 0],
               [0, 0, 0, 1, 0],
               [0, 1, 0, 1, 1],
               [0, 1, 1, 0, 1],
               [0, 0, 0, 0, 0],
               [1, 0, 0, 0, 0],
               [1, 0, 0, 1, 0],
               [1, 1, 1, 1, 1],
               [1, 0, 1, 2, 1],
               [1, 0, 1, 2, 1],
               [2, 0, 1, 2, 1],
               [2, 0, 1, 1, 1],
               [2, 1, 0, 1, 1],
               [2, 1, 0, 2, 1],
               [2, 0, 0, 0, 0]]
    labels = ['年龄大小', '工作与否', '是否有房', '信贷情况']    return data_set, labels

data_set,labels=createDataSet()
登录后复制

2.2计算香农熵

统计数据集中的标签

计算标签各自出现的次数

可以借此次数与总标签数,算出一类标签出现的频率,进而算出香农熵

计算所得的香农熵如下

In [3]
# 计算香农熵def entropy(data_set):
    n = len(data_set)
    labels=[line[-1] for line in data_set]    # print(labels)
    labels_dict=collections.Counter(labels)    # print(labels_dict)
    entropy = 0
    for key in labels_dict:
        prob = labels_dict[key] / n
        entropy -= prob * math.log2(prob)    return entropy

entropy(data_set)
登录后复制
0.9709505944546686
登录后复制

2.3根据指定特征划分数据集

In [4]
# 根据指定特征划分数据集def splitDataSet(data_set, col, value):
    reduce_dataset = []    for line in data_set:        if line[col] == value:
            line_split=line[:col]+line[col+1:]
            reduce_dataset.append(line_split)    return reduce_dataset

splitDataSet(data_set,4,1)
登录后复制
[[0, 1, 0, 1],
 [0, 1, 1, 0],
 [1, 1, 1, 1],
 [1, 0, 1, 2],
 [1, 0, 1, 2],
 [2, 0, 1, 2],
 [2, 0, 1, 1],
 [2, 1, 0, 1],
 [2, 1, 0, 2]]
登录后复制

2.4选择最好的特征

随后计算每一个特征的信息增益,并选出最好的特征,流程大致如下

ViiTor实时翻译
ViiTor实时翻译

AI实时多语言翻译专家!强大的语音识别、AR翻译功能。

ViiTor实时翻译 116
查看详情 ViiTor实时翻译
  1. 遍历所有特征
  2. 使用set去除某一特征的所有取值
  3. 根据每一个取值划分原数据集
  4. 计算划分后的数据集的信息熵以及划分后数据所占总数据的比例
  5. 累加划分后的数据集的信息熵*划分后数据所占总数据的比例,直到遍历完某一特征中的所有取值
  6. 计算该特征的信息增益,并取出最高的信息增益,记录下此时的特征
In [5]
# 选择最好的特征def chooseBestFeature(data_set):
    num_features = len(data_set[0]) - 1
    entropy_dataset = entropy(data_set)
    info_gain_end = 0
    best_feature = -1
    # 遍历所有特征
    for i in range(num_features):        # 每个特征中的所有取值
        unique_vals = set([example[i] for example in data_set])
        new_entropy = 0
        for value in unique_vals:
            sub_dataSet = splitDataSet(data_set, i, value)
            prob = len(sub_dataSet) / len(data_set)            # 条件熵
            new_entropy += prob * entropy(sub_dataSet)

        info_gain = entropy_dataset - new_entropy        
        # print(f"第{i}个特征的信息增益为{info_gain:.3f}")
        if (info_gain > info_gain_end):
            info_gain_end = info_gain
            best_feature = i    return best_feature

l_num=chooseBestFeature(data_set)print(f'最高的信息增益对应的特征列号为:{l_num}',end='')
登录后复制
最高的信息增益对应的特征列号为:2
登录后复制
In [6]
# 获取label中出现次数最多的标签def majorityCnt(class_list):
    class_count = collections.Counter(class_list)
    sorted_class_count = sorted(class_count.items(), key = lambda c:c[1], reverse = True)    # print(sorted_class_count)
    return sorted_class_count[0][0]

majorityCnt([1,1,1,0,0,1,1])
登录后复制
1
登录后复制

2.5递归创建决策树

In [7]
# 递归创建决策树def createTree(data_set, labels, feat_labels):
    class_list = [example[-1] for example in data_set]    #类别完全相同停止划分
    if class_list.count(class_list[0]) == len(class_list):        return class_list[0]    #遍历到就剩下一个特征时,返回当前最多的lable
    if len(data_set[0]) == 1:                                       
        return majorityCnt(class_list)    #返回最高的信息增益对应的特征列号
    best_feat = chooseBestFeature(data_set)
    best_featlabel = labels[best_feat]
    feat_labels.append(best_featlabel)    #根据最优特征的标签生成树
    tree = {best_featlabel:{}}
    labels.remove(best_featlabel)    #得到训练集中所有最优特征的属性值
    feat_values = [example[best_feat] for example in data_set]
    unique_values = set(feat_values)    for value in unique_values:
        sub_labels=labels[:]        #遍历最优特征的属性值,使用splitDataSet分割
        tree[best_featlabel][value] = createTree(splitDataSet(data_set, best_feat, value), sub_labels, feat_labels)    return tree
登录后复制

2.6使用决策树执行分类

In [8]
# 使用决策树执行分类def classify(input_tree, feat_labels, test_value):
    first_str = next(iter(input_tree))
    second_dict = input_tree[first_str]
    feat_index = feat_labels.index(first_str)    for key in second_dict.keys():        if test_value[feat_index] == key:            if type(second_dict[key]).__name__ == 'dict':
                classLabel = classify(second_dict[key], feat_labels, test_value)            else:
                classLabel = second_dict[key]    return classLabel
登录后复制

2.7测试

In [9]
# 测试dataSet, labels = createDataSet()
featLabels = []
tree = createTree(dataSet, labels, featLabels)print(tree)print(featLabels)print(f'测试数据 无房有工作 [0, 1] ->',end=' ')
test_value = [0, 1]
result = classify(tree, featLabels, test_value)if result == 1:    print('放贷')if result == 0:    print('不放贷')print(f'测试数据 无房无工作 [0, 0] ->',end=' ')
test_value = [0, 0]
result = classify(tree, featLabels, test_value)if result == 1:    print('放贷')if result == 0:    print('不放贷')print(f'测试数据 有房无工作 [1, 0] ->',end=' ')
test_value = [1, 0]
result = classify(tree, featLabels, test_value)if result == 1:    print('放贷')if result == 0:    print('不放贷')print(f'测试数据 有房有工作 [1, 1] ->',end=' ')
test_value = [1, 1]
result = classify(tree, featLabels, test_value)if result == 1:    print('放贷')if result == 0:    print('不放贷')
登录后复制
{'是否有房': {0: {'工作与否': {0: 0, 1: 1}}, 1: 1}}
['是否有房', '工作与否']
测试数据 无房有工作 [0, 1] -> 放贷
测试数据 无房无工作 [0, 0] -> 不放贷
测试数据 有房无工作 [1, 0] -> 放贷
测试数据 有房有工作 [1, 1] -> 放贷
登录后复制

3.总结

对于构造出的数据产生的决策树

从底层实现决策树并分类实战 - php中文网

决策树树形结构如下

从底层实现决策树并分类实战 - php中文网

这里发现其实只有是否有房与工作与否两个选项

  • 1代表放贷
  • 0代表不放贷

这是因为只需要这两个特征数据,便足以判断出是否要放贷,其余的特征并非重要,故没有作为判断的方式

根据这颗决策树,可以推断出

  • 如果有自己的房子 -> 放贷
  • 如果没有自己的房子 -> 如果没有工作 -> 不放贷
  • 如果没有自己的房子 -> 如果有工作 -> 放贷

构造测试数据 数据如下

  • 无房有工作 [0, 1]
  • 无房无工作 [0, 0]
  • 有房无工作 [1, 0]
  • 有房有工作 [1, 1]

将其输入到构建出的决策树中

发现决策树输出的结果符合预期,即决策树构建成功且测试通过

4.决策树的优缺点分析

决策树的优点,如决策树易于理解和解释,可以可视化分析,容易提取出规则,可以同时处理标称型和数值型数据,比较适合处理有缺失属性的样本,测试数据集时,运行速度比较快,在相对短的时间内能够对大型数据源做出可行且效果良好的结果。

决策树的缺点,容易发生过拟合,容易忽略数据集中属性的相互关联,信息增益准则对可取数目较多的属性有所偏好(ID3算法)

In [ ]
<br/>
登录后复制

以上就是从底层实现决策树并分类实战的详细内容,更多请关注php中文网其它相关文章!

相关标签:
最佳 Windows 性能的顶级免费优化软件
最佳 Windows 性能的顶级免费优化软件

每个人都需要一台速度更快、更稳定的 PC。随着时间的推移,垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是,许多工具可以让 Windows 保持平稳运行。

下载
来源:php中文网
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn
最新问题
开源免费商场系统广告
热门教程
更多>
最新下载
更多>
网站特效
网站源码
网站素材
前端模板
关于我们 免责申明 意见反馈 讲师合作 广告合作 最新更新 English
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号 技术交流群
PHP中文网订阅号
每天精选资源文章推送
PHP中文网APP
随时随地碎片化学习

Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号