在機(jī)器學(xué)習(xí)中，因為決策樹的算法是十分給力，因此使用決策樹能夠幫助我們解決很多的問題。決策樹的算法分為很多種，今天小編主要跟大家介紹一下決策樹的分類算法。

一、決策樹的概念

決策樹，根據(jù)名字就能知道，是一種樹，一種依托于策略抉擇而建立起來的樹。在 機(jī)器學(xué)習(xí)中，決策樹是一個預(yù)測模型，代表的是對象屬性與對象值之間的一種映射關(guān)系。從數(shù)據(jù)產(chǎn)生決策樹的機(jī)器學(xué)習(xí)技術(shù)叫做決策樹學(xué)習(xí), 通俗點說就是：決策樹是一種依托于分類、訓(xùn)練上的預(yù)測樹，可以根據(jù)已知，對未來進(jìn)行預(yù)測、歸類。

舉一個簡單的例子來說明：

一個女孩選擇相親對象，通過年齡是否超過30、長相丑或不丑、收入是否低水平，以及否是公務(wù)員這幾項，將相親對象分為兩個類別：見和不見。假設(shè)這個女孩對相親對象的要求為：30歲以下、長相不丑，而且高收入，或者中等以上收入的公務(wù)員，那么女孩的決策邏輯可以用下圖來表示，典型的分類決策樹。

二、決策樹分類算法

決策樹分類主要有ID3.C4.5.CART這三種

1. ID3選取信息增益的屬性遞歸進(jìn)行分類

“熵”表示隨機(jī)變量不確定性的度量，并且熵只依賴于X的分布，與X具體取值無關(guān)，所以可以表示為，熵越大，隨機(jī)變量的不確定性就越大：

信息熵： H(X)=-sigma(對每一個x)(plogp)

“條件熵H(Y|X)”表示在已知隨機(jī)變量X的條件下，隨機(jī)變量Y的不確定性：

H(Y|X)=sigma(對每一個x)(pH(Y|X=xi))

“信息增益”特征A對訓(xùn)練數(shù)據(jù)集D的信息增益g(D,A)，具體定義為：集合D的經(jīng)驗熵H(D)，和特征A給定條件下D的經(jīng)驗條件熵H(D)熵

信息增益：g(D,A)=H(D)-H(D|A)          H(D)為整個數(shù)據(jù)集的熵

信息增益率：(H(D)-H(D|X))/H(X)

算法流程：(1)計算每一個屬性的信息增益，如果信息增益小于閾值，就將該支置為葉節(jié)點，選擇其中個數(shù)最多的類標(biāo)簽來作為該類的類標(biāo)簽。反之，則選擇其中最大的作為分類屬                                     性。

(2)若果各個分支中都只含有同一類數(shù)據(jù)，那么就將這支置為葉子節(jié)點， 否則 繼續(xù)進(jìn)行(1)。

2. C4.5算法

C4.5算法是ID3的改進(jìn)算法 ， 是機(jī)器學(xué)習(xí)算法中的另一個分類決策樹算法，可以說是決策樹核心算法。

C4.5算法特點：

C4.5用信息增益率來選擇屬性。

能處理非離散數(shù)據(jù)。

能夠處理不完整數(shù)據(jù)進(jìn)行

一個可以選擇的度量標(biāo)準(zhǔn)是增益比率gain ratio(Quinlan 1986)。增益比率度量是用前面的增益度量Gain(S，A)和分裂信息度量SplitInformation(S，A)來共同定義的，如下所示：

其中，分裂信息度量被定義為(分裂信息用來衡量屬性分裂數(shù)據(jù)的廣度和均勻)：

C4.5算法構(gòu)造決策樹過程：

Function C4.5(R:包含連續(xù)屬性的無類別屬性集合,C:類別屬性,S:訓(xùn)練集)

/*返回一棵決策樹*/

Begin

If S為空,返回一個值為Failure的單個節(jié)點;

If S是由相同類別屬性值的記錄組成,

返回一個帶有該值的單個節(jié)點;

If R為空,則返回一個單節(jié)點,其值為在S的記錄中找出的頻率最高的類別屬性值;

[注意未出現(xiàn)錯誤則意味著是不適合分類的記錄];

For 所有的屬性R(Ri) Do

If 屬性Ri為連續(xù)屬性，則

Begin

將Ri的最小值賦給A1：

將Rm的最大值賦給Am;/*m值手工設(shè)置*/

For j From 2 To m-1 Do Aj=A1+j*(A1Am)/m;

將Ri點的基于{< =Aj,>Aj}的最大信息增益屬性(Ri,S)賦給A;

End;

將R中屬性之間具有最大信息增益的屬性(D,S)賦給D;

將屬性D的值賦給{dj/j=1.2...m};

將分別由對應(yīng)于D的值為dj的記錄組成的S的子集賦給{sj/j=1.2...m};

返回一棵樹，其根標(biāo)記為D;樹枝標(biāo)記為d1.d2...dm;

再分別構(gòu)造以下樹:

C4.5(R-{D},C,S1),C4.5(R-{D},C,S2)...C4.5(R-{D},C,Sm);

End C4.5

3.CART算法：

基尼系數(shù)：Gini(p)=sigma(每一個類)p(1-p)

回歸樹：屬性值為連續(xù)實數(shù)。將整個輸入空間劃分為m塊，每一塊以其平均值作為輸出。f(x)=sigma(每一塊)Cm*I(x屬于Rm)

回歸樹生成：(1)選取切分變量和切分點，將輸入空間分為兩份。

(2)每一份分別進(jìn)行第一步，直到滿足停止條件。

切分變量和切分點選取：對于每一個變量進(jìn)行遍歷，從中選擇切分點。選擇一個切分點滿足分類均方誤差最小。然后在選出所有變量中最小分類誤差最小的變量作為切分                                                             變量。

分類樹：屬性值為離散值。

分類樹生成：(1)根據(jù)每一個屬性的每一個取值，是否取該值將樣本分成兩類，計算基尼系數(shù)。選擇基尼系數(shù)最小的特征和屬性值，將樣本分成兩份。

(2)遞歸調(diào)用(1)直到無法分割。完成CART樹生成。

四、python實現(xiàn)

from sklearn.datasets import load_iris
import numpy as np
import math
from collections import Counter


class decisionnode:
    def __init__(self, d=None, thre=None, results=None, NH=None, lb=None, rb=None, max_label=None):
        self.d = d   # d表示維度
        self.thre = thre  # thre表示二分時的比較值，將樣本集分為2類
        self.results = results  # 最后的葉節(jié)點代表的類別
        self.NH = NH  # 存儲各節(jié)點的樣本量與經(jīng)驗熵的乘積，便于剪枝時使用
        self.lb = lb  # desision node,對應(yīng)于樣本在d維的數(shù)據(jù)小于thre時，樹上相對于當(dāng)前節(jié)點的子樹上的節(jié)點
        self.rb = rb  # desision node,對應(yīng)于樣本在d維的數(shù)據(jù)大于thre時，樹上相對于當(dāng)前節(jié)點的子樹上的節(jié)點
        self.max_label = max_label  # 記錄當(dāng)前節(jié)點包含的label中同類最多的label


def entropy(y):
    '''
    計算信息熵，y為labels
    '''

    if y.size > 1:

        category = list(set(y))
    else:

        category = [y.item()]
        y = [y.item()]

    ent = 0

    for label in category:
        p = len([label_ for label_ in y if label_ == label]) / len(y)
        ent += -p * math.log(p, 2)

    return ent


def Gini(y):
    '''
    計算基尼指數(shù)，y為labels
    '''
    category = list(set(y))
    gini = 1

    for label in category:
        p = len([label_ for label_ in y if label_ == label]) / len(y)
        gini += -p * p

    return gini


def GainEnt_max(X, y, d):
    '''
    計算選擇屬性attr的最大信息增益，X為樣本集,y為label，d為一個維度，type為int
    '''
    ent_X = entropy(y)
    X_attr = X[:, d]
    X_attr = list(set(X_attr))
    X_attr = sorted(X_attr)
    Gain = 0
    thre = 0

    for i in range(len(X_attr) - 1):
        thre_temp = (X_attr[i] + X_attr[i + 1]) / 2
        y_small_index = [i_arg for i_arg in range(
            len(X[:, d])) if X[i_arg, d] <= thre_temp]
        y_big_index = [i_arg for i_arg in range(
            len(X[:, d])) if X[i_arg, d] > thre_temp]
        y_small = y[y_small_index]
        y_big = y[y_big_index]

        Gain_temp = ent_X - (len(y_small) / len(y)) * \
            entropy(y_small) - (len(y_big) / len(y)) * entropy(y_big)
        '''
        intrinsic_value = -(len(y_small) / len(y)) * math.log(len(y_small) /
                                                              len(y), 2) - (len(y_big) / len(y)) * math.log(len(y_big) / len(y), 2)
        Gain_temp = Gain_temp / intrinsic_value
        '''
        # print(Gain_temp)
        if Gain < Gain_temp:
            Gain = Gain_temp
            thre = thre_temp
    return Gain, thre


def Gini_index_min(X, y, d):
    '''
    計算選擇屬性attr的最小基尼指數(shù)，X為樣本集,y為label，d為一個維度，type為int
    '''

    X = X.reshape(-1, len(X.T))
    X_attr = X[:, d]
    X_attr = list(set(X_attr))
    X_attr = sorted(X_attr)
    Gini_index = 1
    thre = 0

    for i in range(len(X_attr) - 1):
        thre_temp = (X_attr[i] + X_attr[i + 1]) / 2
        y_small_index = [i_arg for i_arg in range(
            len(X[:, d])) if X[i_arg, d] <= thre_temp]

        y_big_index = [i_arg for i_arg in range(
            len(X[:, d])) if X[i_arg, d] > thre_temp]
        y_small = y[y_small_index]
        y_big = y[y_big_index]

        Gini_index_temp = (len(y_small) / len(y)) * \
            Gini(y_small) + (len(y_big) / len(y)) * Gini(y_big)
        if Gini_index > Gini_index_temp:
            Gini_index = Gini_index_temp
            thre = thre_temp
    return Gini_index, thre


def attribute_based_on_GainEnt(X, y):
    '''
    基于信息增益選擇最優(yōu)屬性，X為樣本集，y為label
    '''
    D = np.arange(len(X[0]))
    Gain_max = 0
    thre_ = 0
    d_ = 0
    for d in D:
        Gain, thre = GainEnt_max(X, y, d)
        if Gain_max < Gain:
            Gain_max = Gain
            thre_ = thre
            d_ = d  # 維度標(biāo)號

    return Gain_max, thre_, d_


def attribute_based_on_Giniindex(X, y):
    '''
    基于信息增益選擇最優(yōu)屬性，X為樣本集，y為label
    '''
    D = np.arange(len(X.T))
    Gini_Index_Min = 1
    thre_ = 0
    d_ = 0
    for d in D:
        Gini_index, thre = Gini_index_min(X, y, d)
        if Gini_Index_Min > Gini_index:
            Gini_Index_Min = Gini_index
            thre_ = thre
            d_ = d  # 維度標(biāo)號

    return Gini_Index_Min, thre_, d_


def devide_group(X, y, thre, d):
    '''
    按照維度d下閾值為thre分為兩類并返回
    '''
    X_in_d = X[:, d]
    x_small_index = [i_arg for i_arg in range(
        len(X[:, d])) if X[i_arg, d] <= thre]
    x_big_index = [i_arg for i_arg in range(
        len(X[:, d])) if X[i_arg, d] > thre]

    X_small = X[x_small_index]
    y_small = y[x_small_index]
    X_big = X[x_big_index]
    y_big = y[x_big_index]
    return X_small, y_small, X_big, y_big


def NtHt(y):
    '''
    計算經(jīng)驗熵與樣本數(shù)的乘積，用來剪枝，y為labels
    '''
    ent = entropy(y)
    print('ent={},y_len={},all={}'.format(ent, len(y), ent * len(y)))
    return ent * len(y)


def maxlabel(y):
    label_ = Counter(y).most_common(1)
    return label_[0][0]


def buildtree(X, y, method='Gini'):
    '''
    遞歸的方式構(gòu)建決策樹
    '''
    if y.size > 1:
        if method == 'Gini':
            Gain_max, thre, d = attribute_based_on_Giniindex(X, y)
        elif method == 'GainEnt':
            Gain_max, thre, d = attribute_based_on_GainEnt(X, y)
        if (Gain_max > 0 and method == 'GainEnt') or (Gain_max >= 0 and len(list(set(y))) > 1 and method == 'Gini'):
            X_small, y_small, X_big, y_big = devide_group(X, y, thre, d)
            left_branch = buildtree(X_small, y_small, method=method)
            right_branch = buildtree(X_big, y_big, method=method)
            nh = NtHt(y)
            max_label = maxlabel(y)
            return decisionnode(d=d, thre=thre, NH=nh, lb=left_branch, rb=right_branch, max_label=max_label)
        else:
            nh = NtHt(y)
            max_label = maxlabel(y)
            return decisionnode(results=y[0], NH=nh, max_label=max_label)
    else:
        nh = NtHt(y)
        max_label = maxlabel(y)
        return decisionnode(results=y.item(), NH=nh, max_label=max_label)


def printtree(tree, indent='-', dict_tree={}, direct='L'):
    # 是否是葉節(jié)點

    if tree.results != None:
        print(tree.results)

        dict_tree = {direct: str(tree.results)}

    else:
        # 打印判斷條件
        print(str(tree.d) + ":" + str(tree.thre) + "? ")
        # 打印分支
        print(indent + "L->",)

        a = printtree(tree.lb, indent=indent + "-", direct='L')
        aa = a.copy()
        print(indent + "R->",)

        b = printtree(tree.rb, indent=indent + "-", direct='R')
        bb = b.copy()
        aa.update(bb)
        stri = str(tree.d) + ":" + str(tree.thre) + "?"
        if indent != '-':
            dict_tree = {direct: {stri: aa}}
        else:
            dict_tree = {stri: aa}

    return dict_tree


def classify(observation, tree):
    if tree.results != None:
        return tree.results
    else:
        v = observation[tree.d]
        branch = None

        if v > tree.thre:
            branch = tree.rb
        else:
            branch = tree.lb

        return classify(observation, branch)


def pruning(tree, alpha=0.1):
    if tree.lb.results == None:
        pruning(tree.lb, alpha)
    if tree.rb.results == None:
        pruning(tree.rb, alpha)

    if tree.lb.results != None and tree.rb.results != None:
        before_pruning = tree.lb.NH + tree.rb.NH + 2 * alpha
        after_pruning = tree.NH + alpha
        print('before_pruning={},after_pruning={}'.format(
            before_pruning, after_pruning))
        if after_pruning <= before_pruning:
            print('pruning--{}:{}?'.format(tree.d, tree.thre))
            tree.lb, tree.rb = None, None
            tree.results = tree.max_label


if __name__ == '__main__':
    iris = load_iris()
    X = iris.data
    y = iris.target

    permutation = np.random.permutation(X.shape[0])
    shuffled_dataset = X[permutation, :]
    shuffled_labels = y[permutation]

    train_data = shuffled_dataset[:100, :]
    train_label = shuffled_labels[:100]

    test_data = shuffled_dataset[100:150, :]
    test_label = shuffled_labels[100:150]

    tree1 = buildtree(train_data, train_label, method='Gini')
    print('=============================')
    tree2 = buildtree(train_data, train_label, method='GainEnt')

    a = printtree(tree=tree1)
    b = printtree(tree=tree2)

    true_count = 0
    for i in range(len(test_label)):
        predict = classify(test_data[i], tree1)
        if predict == test_label[i]:
            true_count += 1
    print("CARTTree:{}".format(true_count))
    true_count = 0
    for i in range(len(test_label)):
        predict = classify(test_data[i], tree2)
        if predict == test_label[i]:
            true_count += 1
    print("C3Tree:{}".format(true_count))

    #print(attribute_based_on_Giniindex(X[49:51, :], y[49:51]))
    from pylab import *
    mpl.rcParams['font.sans-serif'] = ['SimHei']  # 指定默認(rèn)字體
    mpl.rcParams['axes.unicode_minus'] = False  # 解決保存圖像時負(fù)號'-'顯示為方塊的問題
    import treePlotter
    import matplotlib.pyplot as plt
    treePlotter.createPlot(a, 1)
    treePlotter.createPlot(b, 2)
    # 剪枝處理
    pruning(tree=tree1, alpha=4)
    pruning(tree=tree2, alpha=4)
    a = printtree(tree=tree1)
    b = printtree(tree=tree2)

    true_count = 0
    for i in range(len(test_label)):
        predict = classify(test_data[i], tree1)
        if predict == test_label[i]:
            true_count += 1
    print("CARTTree:{}".format(true_count))
    true_count = 0
    for i in range(len(test_label)):
        predict = classify(test_data[i], tree2)
        if predict == test_label[i]:
            true_count += 1
    print("C3Tree:{}".format(true_count))

    treePlotter.createPlot(a, 3)
    treePlotter.createPlot(b, 4)
    plt.show()