吾爱破解 - 52pojie.cn

 找回密码
 注册[Register]

QQ登录

只需一步,快速开始

查看: 6088|回复: 4
收起左侧

[会员申请] 申请会员ID:香瓜【未报到,已注销】

[复制链接]
吾爱游客  发表于 2019-10-10 11:21
1、申 请 I D:香瓜
2、个人邮箱:nbyiuls@163.com

3、原创技术文章:机器学习决策树之ID3算法
注:该文章为原创,之前发布在博客园你与CSDN,现更新版本后(加入源码),作论坛申请用。


1、什么是决策树
    决策树,就是一种把决策节点画成树的辅助决策工具,一种寻找最优方案的画图法。    如下图所示,从左图到右图就是一个简单的,利用决策树,辅助决策的过程。





2、如何构造一棵决策树?
2.1、基本方法
    通过对不同特征的优先级区分判断后,优先选择优先级高的特征作为划分的特征。(如上图所示,假设优先级:学历>院校>工作经验。因此我们优先选择了学历作为分类依据,次而选择了院校作为分类依据,最后才选择了项目经验作为分类依据)。那么,下一个问题来了,我们是怎样判断一个特征的优先级的?具体来说,就是我们在评价一个特征优先级时候的评价标准是什么。这个评价标准,在决策树中非常重要,一个合适评价标准,可以将不同的特征按照非常合理的方式进行优先级排序,从而能够构建出一颗比较完美的决策树。而一个不合适的评价标准则会导致最终构造的决策树出现种种问题。
2.2、评价标准是什么/如何量化评价一个特征的好坏?
    在不同的决策树算法中,这个特征好坏的评价标准略有不同。比如,在问哦们今天讲的ID3算法中,评价标准是一个叫做 信息增益(Information Gain) 的东西。而在另一个决策树算法C4.5中,评判标准则进一步变为信息增益比(Information Gain Ration或Gain Ratio)。另外一个比较主流的决策树算法CART算法则是采用 基尼系数(Gini Index) 作为评判标准。这些东西,我们会在后面的几篇文章中一一涉及到,在本文中,我们将关注的重点放在信息增益上。
    在进入正题之前,我们需要先了解一些简单的概念。第一个需要我们了解的概念叫做熵/entropy。学过中学物理的朋友们可能会有一些印象:熵,热力学中表征物质状态的参量之一,用符号S表示,其物理意义是体系混乱程度的度量。熵这个概念最初源自于热力学中,1948年,香农引入了信息熵,将其定义为离散随机事件出现的概率。在信息学里面,熵是对不确定性的度量。 一个系统越是有序,信息熵就越低,反之一个系统越是混乱,它的信息熵就越高。 所以信息熵可以被认为是系统有序化程度的一个度量。其本质与热力学中的熵的概念是相同的。
    可这又和我们今天要讲的信息增益这个评判标准有什么关系呢?我们不妨这样想,当我们得到一组信息,一组类似于上图左半部分的信息。该组信息有多个特征(如学历、学校等),同时有一组综合每一个特征得到的结论。上图展示的这组信息只有A、B、C、D四个实例,倘若我们有成千上万个实例,但看这成千上万实例构成的表格,我们的第一感受可能是混乱。没错,如此多的实例,粗鲁地被凭借在同一个表格中,实在是太混乱了。将混乱换成我们刚刚提到过的说法:这组信息的信息熵太高了。
    这样的场景,尤其是当我们想要通过这张表去查询某些东西,更是非常不便。我们希望可以有某种方法,在降低系统混乱程度/降低系统熵值的同时,不损害信息的完整性。那么有没有这么一种方法呢?当然有的,就是我们今天讲到的决策树算法。从上图的左边,到上图右边的转变,我们可以非常直观感受到,这组信息不仅变得不那么混乱,而且这种树形的表示方式,比较符合我们人类的思维习惯。
    为什么会出现这样感受上的差异呢?其实很简单,因为我们从右图的根节点开始,每做一次特征的划分,整个系统的熵值就得到了一次降低。 这个信息系统给我们的感受也就越来越规范。进而,我们很容易地引出信息增益地概念:信息增益就是我们以某一个特征划分某个信息系统后,这个系统整体信息熵降的数值。接下来,我们很容易可以回答如何去判断一个特征的好坏:如果一个特征,相较于其他所有特征,在将一个信息系统按照该特征划分前后,可以将整个数据系统的信息熵降到最低(信息增益最大),这个特征就是一个好的特征。我们应该优先使用该特征进行系统的划分。
2.3、信息熵、信息增益的计算在此,我们先给出信息熵的计算公式:

    知道了信息熵的计算公式后,信息增益的计算公式也很容易理解,就是当前系统的信息熵S,减去按照某个特征划分整个系统后,每个子系统的信息熵乘以每个子系统在整个系统所占比例(Si X Pi),最后相加得到的值。也即:信息增益 InfoGain = S-Σ(SixPi)。举个例子,我们得到如下图所示的一个信息系统(该系统前四列为不同的四个特征,最后一列为结果。),那么要如何计算整个系统的信息熵,以及该系统对应某个特征的信息增益呢?

    首先,可以看出,结果列中一共有14个样例,其中包括9个正例和5个负例。那么当前信息的熵计算

    上面,我们计算出了整个系统的信息熵,也就是未对数据进行划分时的信息熵。那么下面我们计算使用某个特征对系统进行划分后,整个系统的信息熵,以及划分前后系统信息熵的差值(信息增益)比如,我们根据第一个特征Outlook进行划分:

    划分后,数据被分为三部分了,那么各个分支的信息熵(子系统信息熵)计算如下:

    我们将每个子系统的信息熵,乘以该子系统在整个系统中所占比例,依次相加后,得到划分后系统的整体信息熵。如下图所示:

    最后,终于来到我们最激动人心的一步了,计算信息增益,如下图所示:

2.4、决策树构建方法
    在上一步中,我们计算出每个特征所对应地信息增益,选取信息增益最大的特征优先划分整个系统(将系统划分为一个个子数据集/子树/子系统)。
    在每个子系统中,我们再 重新计算 未被使用过的特征的优先级,并选择优先级最大的特征继续划分数据集构造子树。知道,该递归构造子树的过程因为某些原因终止为止。2.4、构造终止的条件/何时停止构造子树?1、当我们发现一个子树中,结果完全相同,如结果全部为YES的时候,就没有在该子树中继续构造下去的必要了(其他子树中的构造过程未必终止)。此时我们得到该子树最终的结果为YES。2、当我们发现一个子树中,虽然其结果没有完全相同,但已经没有可以支撑我们继续构造子树的特征了(简而言之就是所有特征都已经用过了),这个时候就可以停止在该子树中继续构造了。此时,该子树的最终结果为该子树集合的结果列中,出现次数最多的哪个属性值。


3、算法总结
1、判断每一个子树中的每个例子结果是否一致或是否特征已用尽
  是:该子树构造完成,返回该子树对应的最终结果。
  否:继续递归构造子树
若1中结果为否,则:
  1.1、计算当前子系统信息熵
  1.2、计算未被使用过的特征的信息增益
  1.3、选取最大的信息增益的特征进行划分,并从特征集合中删除该特征
  1.4、根据3中划分构造子树,并转向步骤1。


4、源码

[Python] 纯文本查看 复制代码
# coding=utf-8
from math import log
import copy
# --------------------------------------------------------
# 信息初始化             -
# --------------------------------------------------------
def InputData():
initData = [
    [0,0,0,'no'],
    [0,1,1,'yes'],
    [1,0,0,'yes'],
    [0,1,1,'yes'],
    [0,1,0,'yes'],
    [1,0,1,'yes'],
    [0,0,1,'yes'],
    [0,1,0,'yes'],
    [1,0,1,'yes'],
    [1,1,0,'yes'],
    [0,0,0,'no'],
    ]
dataLables = ['feature_A','feature_B','feature_C']
return initData,dataLables
initData,dataLables = InputData()

# --------------------------------------------------------
# 计算当前数据集的信息熵          -
# --------------------------------------------------------
def CalcEntropy(initData):
newDataLen = len(initData)
resultList = [row[-1] for row in initData]
resultType = set(resultList)
entropy = 0
for x in resultType:
  pi = float(resultList.count(x)) / newDataLen
  entropy -= pi*log(pi,2)
return entropy
# print(CalcEntropy(initData))

# --------------------------------------------------------
# 分割后,初始数据集不应该被改变         -
# --------------------------------------------------------
def SplitData(initData,featureNum,featureValue):
newData = []
dataCopy = copy.deepcopy(initData)
for row in dataCopy:
  if row[featureNum] == featureValue:
   del row[featureNum]
   newData.append(row)
return newData
# print(initData)
# print(SplitData(initData,1,0))
# print(initData)

# --------------------------------------------------------
# 选取最佳标志             -
# 选取信息增益最大,即条件熵最小的属性作为分裂属性    -
# --------------------------------------------------------
def ChooseFeature(initData):
dataLen = len(initData[0]) - 1
elemNum = len(initData)
entropy = 0
biggestEntropy = 10000
bestFeatureNum = 0
for i in range(0,dataLen):
  featureSet = set([row[i] for row in initData])
  for j in featureSet:
  
   subData = SplitData(initData,i,j)
   subEntropy = CalcEntropy(subData)
   entropy += float(len(subData)) / elemNum * subEntropy
  if entropy < biggestEntropy:
   bestFeatureNum = i
   biggestEntropy = entropy
return bestFeatureNum

# --------------------------------------------------------
# 获取list中出现最多次的元素          -
# --------------------------------------------------------
def MaxList(lt):
    temp = 0
    for i in lt:
        if lt.count(i) > temp:
            max_str = i
            temp = lt.count(i)
    return max_str

# ------------------------------------------------------------
# 递归方式构建dict树。终止条件有两种:1、当前数据集中所有结果一致   -
# 2、当前数据集虽然结果不一致,但已无继续判断的条件/lable,此时返  -
# 回当前数据集最后一列出现最多次的元素。另外,lables也要做深拷贝  -
# 因为当for循环遍历当前数据集子集时,lable的初始值应该是相同的 -
# -----------------------------------------------------------
def CreateTree(data,lables):
# print(data)
resultList = [x[-1] for x in data]
if resultList.count(resultList[-1]) == len(resultList):
  return resultList[-1]
elif len(data[0]) == 1:
  return MaxList(resultList)
bestFeatureNum = ChooseFeature(data)
bestFeatureName = lables[bestFeatureNum]
tree = {bestFeatureName:{}}
lables.remove(bestFeatureName)
featureSet = set([row[bestFeatureNum] for row in data])
for value in featureSet:
  subLables = copy.deepcopy(lables)
  # value作为树枝,将前后两次迭代的两个tree连接起来
  tree[bestFeatureName][value] = CreateTree(SplitData(data,bestFeatureNum,value),subLables)
return tree
print(CreateTree(initData,dataLables))

&#8203;运行结果:file:///C:/Users/Zzzz/AppData/Roaming/Typora/typora-user-images/1570675296961.png?lastModify=1570676154
Tree:
{'feature_A': {0: {'feature_B': {0: {'feature_C': {0: 'no', 1: 'yes'}}, 1: 'yes'}}, 1: 'yes'}}

发帖前要善用论坛搜索功能,那里可能会有你要找的答案或者已经有人发布过相同内容了,请勿重复发帖。

筱沫 发表于 2019-10-10 18:34
不明觉厉,反正比我厉害~~~
Hmily 发表于 2019-10-11 14:12
I D:香瓜
邮箱:nbyiuls@163.com

申请通过,欢迎光临吾爱破解论坛,期待吾爱破解有你更加精彩,ID和密码自己通过邮件密码找回功能修改,请即时登陆并修改密码!
登陆后请在一周内在此帖报道,否则将删除ID信息。
童家君 发表于 2019-10-23 16:34
Hmily 发表于 2019-10-30 15:30
一直未报到,账号注销。
您需要登录后才可以回帖 登录 | 注册[Register]

本版积分规则

返回列表

RSS订阅|小黑屋|处罚记录|联系我们|吾爱破解 - LCG - LSG ( 京ICP备16042023号 | 京公网安备 11010502030087号 )

GMT+8, 2024-11-24 15:42

Powered by Discuz!

Copyright © 2001-2020, Tencent Cloud.

快速回复 返回顶部 返回列表