python 의사 결정 트 리 분류 실현

지난 블 로 그 는 주로 의사 결정 트 리 의 원 리 를 소개 했다.이 글 은 주로 그의 실현 을 소개 했다.코드 환경 python 3.4 는 ID3 알고리즘 을 실현 했다.먼저 뒤의 matplotlib 의 그림 그리 기 편 의 를 위해 나 는 원래 의 중국어 데이터 세트 를 영어 로 만 들 었 다.
원본 데이터 세트:

변 화 된 데이터 세트 가 프로그램 코드 에 나타 나 면 캡 처 하지 않 습 니 다.
의사 결정 트 리 구축 코드 는 다음 과 같 습 니 다.

#coding :utf-8
'''
2017.6.25 author :Erin 
   function: "decesion tree" ID3
   
'''
import numpy as np
import pandas as pd
from math import log
import operator 
def load_data():
 
 #data=np.array(data)
 data=[['teenager' ,'high', 'no' ,'same', 'no'],
   ['teenager', 'high', 'no', 'good', 'no'],
   ['middle_aged' ,'high', 'no', 'same', 'yes'],
   ['old_aged', 'middle', 'no' ,'same', 'yes'],
   ['old_aged', 'low', 'yes', 'same' ,'yes'],
   ['old_aged', 'low', 'yes', 'good', 'no'],
   ['middle_aged', 'low' ,'yes' ,'good', 'yes'],
   ['teenager' ,'middle' ,'no', 'same', 'no'],
   ['teenager', 'low' ,'yes' ,'same', 'yes'],
   ['old_aged' ,'middle', 'yes', 'same', 'yes'],
   ['teenager' ,'middle', 'yes', 'good', 'yes'],
   ['middle_aged' ,'middle', 'no', 'good', 'yes'],
   ['middle_aged', 'high', 'yes', 'same', 'yes'],
   ['old_aged', 'middle', 'no' ,'good' ,'no']]
 features=['age','input','student','level']
 return data,features
 
def cal_entropy(dataSet):
 '''
   data ,            
             
 {' ': 9, ' ': 5}
 0.9402859586706309
 '''
 
 numEntries = len(dataSet)
 labelCounts = {}
 for featVec in dataSet:
  label = featVec[-1]
  if label not in labelCounts.keys():
   labelCounts[label] = 0
  labelCounts[label] += 1
 entropy = 0.0
 for key in labelCounts.keys():
  p_i = float(labelCounts[key]/numEntries)
  entropy -= p_i * log(p_i,2)#log(x,10)   10      
 return entropy
 
def split_data(data,feature_index,value):
 '''
      
 feature_index：         ，  “  ”
 value:       ：  “   ”
 '''
 data_split=[]#       
 for feature in data:
  if feature[feature_index]==value:
   reFeature=feature[:feature_index]
   reFeature.extend(feature[feature_index+1:])
   data_split.append(reFeature)
 return data_split
def choose_best_to_split(data):
 
 '''
            ，               
 '''
 
 count_feature=len(data[0])-1#    4
 #print(count_feature)#4
 entropy=cal_entropy(data)#        
 #print(entropy)#0.9402859586706309
 
 max_info_gain=0.0#      
 split_fea_index = -1#      ，      
 
 for i in range(count_feature):
  
  feature_list=[fe_index[i] for fe_index in data]#         
  #######################################
  '''
  print('feature_list')
  ['   ', '   ', '  ', '  ', '  ', '  ', '  ', '   ', '   ', '  ',
  '   ', '  ', '  ', '  ']
  0.3467680694480959 #           =（1）*5/14
  0.3467680694480959
  0.6935361388961918
  '''
  # print(feature_list)
  unqval=set(feature_list)#    
  Pro_entropy=0.0#    
  for value in unqval:#           
   sub_data=split_data(data,i,value)
   pro=len(sub_data)/float(len(data))
   Pro_entropy+=pro*cal_entropy(sub_data)
   #print(Pro_entropy)
   
  info_gain=entropy-Pro_entropy
  if(info_gain>max_info_gain):
   max_info_gain=info_gain
   split_fea_index=i
 return split_fea_index
  
  
##################################################
def most_occur_label(labels):
 #sorted_label_count[0][0]         
 label_count={}
 for label in labels:
  if label not in label_count.keys():
   label_count[label]=0
  else:
   label_count[label]+=1
  sorted_label_count = sorted(label_count.items(),key = operator.itemgetter(1),reverse = True)
 return sorted_label_count[0][0]
def build_decesion_tree(dataSet,featnames):
 '''
           ，          
 '''
 featname = featnames[:]    ################
 classlist = [featvec[-1] for featvec in dataSet] #        
 if classlist.count(classlist[0]) == len(classlist): #      
  return classlist[0]
 if len(dataSet[0]) == 1:   #   ,     
  return Vote(classlist)  #      
 #             
 bestFeat = choose_best_to_split(dataSet)
 bestFeatname = featname[bestFeat]
 del(featname[bestFeat])  #      
 DecisionTree = {bestFeatname:{}}
 #     ,        ,    
 allvalue = [vec[bestFeat] for vec in dataSet]
 specvalue = sorted(list(set(allvalue))) #      
 for v in specvalue:
  copyfeatname = featname[:]
  DecisionTree[bestFeatname][v] = build_decesion_tree(split_data(dataSet,bestFeat,v),copyfeatname)
 return DecisionTree

시각 화 된 그림 을 그 리 는 코드 는 다음 과 같 습 니 다.

def getNumLeafs(myTree):
 '         '
 
 #    
 numLeafs = 0
 #     
 sides = list(myTree.keys()) 
 firstStr =sides[0]
 #     
 secondDict = myTree[firstStr]
 
 for key in secondDict.keys(): #       
  #          
  if type(secondDict[key]).__name__=='dict':
   numLeafs += getNumLeafs(secondDict[key])
  #         +1
  else: numLeafs +=1
  
 return numLeafs
 
 
def getTreeDepth(myTree):
 '        '
 
 #     
 maxDepth = 0
 #     
 sides = list(myTree.keys()) 
 firstStr =sides[0]
 #     
 secondDict = myTree[firstStr]
 
 for key in secondDict.keys(): #       
  #          
  if type(secondDict[key]).__name__=='dict':
   thisDepth = 1 + getTreeDepth(secondDict[key])
  #         +1
  else: thisDepth = 1
  
  #       
  if thisDepth > maxDepth: maxDepth = thisDepth
  
 return maxDepth
 
import matplotlib.pyplot as plt
 
decisionNode = dict(boxstyle="sawtooth", fc="0.8")
leafNode = dict(boxstyle="round4", fc="0.8")
arrow_args = dict(arrowstyle="<-")
 
# ==================================================
#   ：
#  nodeTxt:          
#  centerPt:       
#  parentPt:       
#  nodeType:       
#   ：
#                     (     )
# ==================================================
def plotNode(nodeTxt, centerPt, parentPt, nodeType):
 '  (      )'
  
 createPlot.ax1.annotate(nodeTxt, xy=parentPt, xycoords='axes fraction', xytext=centerPt, textcoords='axes fraction', va="center", ha="center", bbox=nodeType, arrowprops=arrow_args )
 
# =================================================================
#   ：
#  cntrPt:        
#  parentPt:       
#  txtString:        
#   ：
#           (cntrPt parentPt  )      (txtString)
# =================================================================
def plotMidText(cntrPt, parentPt, txtString):
 '         '
 
 #       
 xMid = (parentPt[0]-cntrPt[0])/2.0 + cntrPt[0]
 yMid = (parentPt[1]-cntrPt[1])/2.0 + cntrPt[1]
 
 createPlot.ax1.text(xMid, yMid, txtString, va="center", ha="center", rotation=30)
 
# ===================================
#   ：
#  myTree:    
#  parentPt:      
#  nodeTxt:        
#   ：
#            
# ===================================
def plotTree(myTree, parentPt, nodeTxt):
 '     '
 
 #        
 numLeafs = getNumLeafs(myTree)
 #         
 sides = list(myTree.keys()) 
 firstStr =sides[0]
 
 #           (        )
 cntrPt = (plotTree.xOff + (1.0 + float(numLeafs))/2.0/plotTree.totalW, plotTree.yOff)
 
 #            (     )   
 plotMidText(cntrPt, parentPt, nodeTxt)
 plotNode(firstStr, cntrPt, parentPt, decisionNode)
 
 #       
 secondDict = myTree[firstStr]
 #       ，   -1。  
 plotTree.yOff = plotTree.yOff - 1.0/plotTree.totalD
  
 for key in secondDict.keys(): #       
  #        
  if type(secondDict[key]).__name__=='dict':
   plotTree(secondDict[key],cntrPt,str(key))
  #          
  else:
   plotTree.xOff = plotTree.xOff + 1.0/plotTree.totalW
   plotNode(secondDict[key], (plotTree.xOff, plotTree.yOff), cntrPt, leafNode)
   plotMidText((plotTree.xOff, plotTree.yOff), cntrPt, str(key))
  
 #       ，   +1。
 plotTree.yOff = plotTree.yOff + 1.0/plotTree.totalD
 
# ==============================
#   ：
#  myTree:    
#   ：
#            
# ==============================
def createPlot(inTree):
 '     '
 
 #           -      
 fig = plt.figure(1, facecolor='white')
 fig.clf()
 axprops = dict(xticks=[], yticks=[])
 createPlot.ax1 = plt.subplot(111, frameon=False, **axprops)
 
 #         
 plotTree.totalW = float(getNumLeafs(inTree))
 plotTree.totalD = float(getTreeDepth(inTree))
 
 #          
 plotTree.xOff = -0.5/plotTree.totalW; 
 plotTree.yOff = 1.0;
 
 #      
 plotTree(inTree, (0.5,1.0), '')
 
 plt.show()
 
if __name__ == '__main__':
 data,features=load_data()
 split_fea_index=choose_best_to_split(data)
 newtree=build_decesion_tree(data,features)
 print(newtree)
 createPlot(newtree)
 '''
 {'age': {'old_aged': {'level': {'same': 'yes', 'good': 'no'}}, 'teenager': {'student': {'no': 'no', 'yes': 'yes'}}, 'middle_aged': 'yes'}}
 '''

결 과 는 다음 과 같다.

의사 결정 트 리 로 어떻게 분류 하 는 지다음 장.
이상 이 바로 본 고의 모든 내용 입 니 다.여러분 의 학습 에 도움 이 되 고 저 희 를 많이 응원 해 주 셨 으 면 좋 겠 습 니 다.