机器学习--决策树

学习开始前的环境搭建：

1、安装Anaconda4.2.0（因为想着以后可能会用到TensorFlow）

anaconda必须安装4.2版本，不能安装4.3 版本；满满的血泪史 

因为我们需要安装自带的python必须是3.5，才可以调用TensorFlow 

但是anaconda4.3自带是python3.6 ，无法调用TensorFlow

2、使用的是PyCharm 2017.2

3、安装 Graphviz： http://www.graphviz.org/

      配置环境变量，即将安装路径到bin下的目录加到系统环境变量path中

      转化dot文件至pdf可视化决策树，在cmd中执行：dot -Tpdf iris.dot（要转换的文件） -o outpu.pdf（转换成的文件）

理论学习：

什么是决策树/判定树（decision tree)?

     判定树是一个类似于流程图的树结构：其中，每个内部结点表示在一个属性上的测试，每个分支代表一个属性输出，而每个树叶结点代表类或类分布。树的最顶层是根结点。

 

信息熵（entropy）

　　

算法：

• 树以代表训练样本的单个结点开始（步骤1）。
• 如果样本都在同一个类，则该结点成为树叶，并用该类标号（步骤2 和3）。
• 否则，算法使用称为信息增益的基于熵的度量作为启发信息，选择能够最好地将样本分类的属性（步骤6）。该属性成为该结点的“测试”或“判定”属性（步骤7）。在算法的该版本中，
• 所有的属性都是分类的，即离散值。连续属性必须离散化。
• 对测试属性的每个已知的值，创建一个分枝，并据此划分样本（步骤8-10）。
• 算法使用同样的过程，递归地形成每个划分上的样本判定树。一旦一个属性出现在一个结点上，就不必该结点的任何后代上考虑它（步骤13）。
• 递归划分步骤仅当下列条件之一成立停止：
• (a) 给定结点的所有样本属于同一类（步骤2 和3）。
• (b) 没有剩余属性可以用来进一步划分样本（步骤4）。在此情况下，使用多数表决（步骤5）。
• 这涉及将给定的结点转换成树叶，并用样本中的多数所在的类标记它。替换地，可以存放结
• 点样本的类分布。
• (c) 分枝
• test_attribute = a i 没有样本（步骤11）。在这种情况下，以 samples 中的多数类
• 创建一个树叶（步骤12）

 实例应用：

根据一个人的各种信息来判断是否会买电脑

数据集：

 

准备：将数据集信息转成CSV文件：

 代码：

from sklearn.feature_extraction import DictVectorizer
import csv
from sklearn import preprocessing
from sklearn import tree
from sklearn.externals.six import StringIO

allElectronicsData = open(r"D:DocumentsPycharmProjectsDataSetAllElectronics.csv", "r")  # 打开相应CSV文件
reader = csv.reader(allElectronicsData)
headers = next(reader)

print(headers)  # 输出CSV文件的头信息，检测是否正确读取

featureList = []    # 用来装特征值age、income、student、credit_rating的信息
labelList = []      # 用来装Class_buys_computer的值
for row in reader:
    labelList.append(row[len(row) - 1]) # 取每行的最后一个值即Class_buys_computer放入labelList中

    # 将前四列的值，以age等为key的形式存入到字典中
    rowDict = {}
    for i in range(1, len(row) - 1):
        rowDict[headers[i]] = row[i]

    featureList.append(rowDict)

print(featureList)

vec = DictVectorizer()  # python自带的方法，将字典值转换成0 1格式
dummyX = vec.fit_transform(featureList).toarray()

print("dummyX:" + str(dummyX))
print(vec.get_feature_names())

print("leabelList: " + str(labelList))

lb = preprocessing.LabelBinarizer()
dummyY = lb.fit_transform(labelList)
print("dummyY: " + str(dummyY))

# using decision tree for classification
clf = tree.DecisionTreeClassifier(criterion='entropy')   # 度量标准，用ID3算法，所以指明criterion='entropy'信息熵
clf = clf.fit(dummyX, dummyY)   # 建模，填参数，构建决策树
print("clf: " + str(clf))

# 存储了决策树的所有信息的文件
with open("allElectronicInformationGainOri.dot", 'w') as f:
    f = tree.export_graphviz(clf, feature_names=vec.get_feature_names(), out_file=f)

# 取数据集转换后的第一行进行查看
oneRowX = dummyX[0, :]
print("oneRowX: " + str(oneRowX))

# 新建一行作为预测时的用例
newRowX = oneRowX

# 更改第一行的部分数据来生成测试用例
newRowX[0] = 1
newRowX[2] = 0
print("newRowX: " + str(newRowX))

# 进行预测与打印预测结果
predictedY = clf.predict(newRowX)
print("predictedY: " + str(predictedY))

allElectronicInformationGainOri.dot文件：

转成相应的PDF文件：allElectronicInformationGainOri.pdf