python中怎么模拟决策树

本篇文章为大家展示了python中怎么模拟决策树，内容简明扼要并且容易理解，绝对能使你眼前一亮，通过这篇文章的详细介绍希望你能有所收获。

1，程序模拟决策树特征选择的三个准则。

import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom sklearn.datasets import load_irisfrom sklearn.model_selection import train_test_splitfrom collections import Counterimport mathfrom math import logimport pprint# 课本例题数据def createData():    datasets = [        ['青年', '否', '否', '一般', '否'],        ['青年', '否', '否', '好', '否'],        ['青年', '是', '否', '好', '是'],        ['青年', '是', '是', '一般', '是'],        ['青年', '否', '否', '一般', '否'],        ['中年', '否', '否', '一般', '否'],        ['中年', '否', '否', '好', '否'],        ['中年', '是', '是', '好', '是'],        ['中年', '否', '是', '非常好', '是'],        ['中年', '否', '是', '非常好', '是'],        ['老年', '否', '是', '非常好', '是'],        ['老年', '否', '是', '好', '是'],        ['老年', '是', '否', '好', '是'],        ['老年', '是', '否', '非常好', '是'],        ['老年', '否', '否', '一般', '否']    ]    labels = ['年龄', '有工作', '有自己的房子', '信贷情况', '类别']    return datasets, labels# 计算经验熵def calc_ent(datasets):    data_length = len(datasets)    label_count = {}  # 用于记录不同类别的个数    for i in range(data_length):        label = datasets[i][-1]  # 记录了当前一条数据的最后一维        if label not in label_count:  # 如果第一次遇到新类别，先初始化            label_count[label] = 0        label_count[label] += 1  # 类别个数加一    # 计算熵。每次取出的p为当前datasets集合的类别的个数    ent = -sum( (p / data_length) * log(p / data_length, 2) for p in label_count.values() )    return ent# 计算条件经验熵def cond_ent(datasets, axis=0):  # axis是我们选择的特征，也及时计算这个特征对集合的条件经验熵。    data_length = len(datasets)    feature_sets = {}    for i in range(data_length):        feature = datasets[i][axis]        if feature not in feature_sets:            feature_sets[feature] = []        feature_sets[feature].append(datasets[i])  # 我们按照特征将数据按照字典的格式存储。    # 计算条件经验熵。 （Di/D）*H(Di)。这里每次取出的p为属于范类别的所有数据。这里的类别是axis指定的特征的分类。    cond_ent = sum((len(p)/data_length)*calc_ent(p) for p in feature_sets.values())    return cond_ent# 计算信息增益def info_gain(ent, cond_ent):    return ent - cond_ent# 计算信息增益def info_gain_train(datasets):    count = len(datasets[0]) - 1    ent = calc_ent(datasets)    print("当前经验熵：{:.3f}\n".format(ent))    best_feature = []    for c in range(count):        print("第{}个特征的条件经验熵为：{:.3f}".format(c+1, cond_ent(datasets, c)))        c_info_gain = info_gain(ent, cond_ent(datasets, c))        best_feature.append((c, c_info_gain))        print("当前特征（{}）的信息增益为：{:.3f}".format(label[c], c_info_gain))    best = max(best_feature, key=lambda c : c[-1])  # 这里返回的是信息增益最大的元组    return bestdataset, label = createData()trainData = pd.DataFrame(dataset, columns=label)best_feature = info_gain_train(dataset)print("\n第{}个特征（{}）的信息增益最大，为：{:.3f}".format(best_feature[0]+1, label[best_feature[0]+1], best_feature[1]))

结果

当前经验熵：0.971第1个特征的条件经验熵为：0.888当前特征（年龄）的信息增益为：0.083第2个特征的条件经验熵为：0.647当前特征（有工作）的信息增益为：0.324第3个特征的条件经验熵为：0.551当前特征（有自己的房子）的信息增益为：0.420第4个特征的条件经验熵为：0.608当前特征（信贷情况）的信息增益为：0.363第3个特征（信贷情况）的信息增益最大，为：0.420

2，程序实现ID3算法

import pandas as pdimport numpy as npimport mathfrom math import logdef create_data():    datasets = [['青年', '否', '否', '一般', '否'],               ['青年', '否', '否', '好', '否'],               ['青年', '是', '否', '好', '是'],               ['青年', '是', '是', '一般', '是'],               ['青年', '否', '否', '一般', '否'],               ['中年', '否', '否', '一般', '否'],               ['中年', '否', '否', '好', '否'],               ['中年', '是', '是', '好', '是'],               ['中年', '否', '是', '非常好', '是'],               ['中年', '否', '是', '非常好', '是'],               ['老年', '否', '是', '非常好', '是'],               ['老年', '否', '是', '好', '是'],               ['老年', '是', '否', '好', '是'],               ['老年', '是', '否', '非常好', '是'],               ['老年', '否', '否', '一般', '否'],               ]    labels = [u'年龄', u'有工作', u'有自己的房子', u'信贷情况', u'类别']    # 返回数据集和每个维度的名称    return datasets, labels# 定义节点类 二叉树class Node:    def __init__(self, root=True, label=None, feature_name=None, feature=None):        self.root = root  # 标记当前节点是否为根节点        self.label = label  # label记录当前节点的值        self.feature_name = feature_name  # 记录当前特征名        self.feature = feature  # 记录当前特征名在特征列表中的序号        self.tree = {}        self.result = {            'label:': self.label,            'feature': self.feature,            'tree': self.tree        }    def __repr__(self):  # 返回当前节点的信息        return '{}'.format(self.result)    def add_node(self, val, node):  # 添加点        self.tree[val] = node    def predict(self, features):  # 预测当前节点        if self.root is True:            return self.label        return self.tree[features[self.feature]].predict(features)class DTree:    def __init__(self, epsilon=0.1):        self.epsilon = epsilon  # 阈值，用于判断当前信息增益是否符合大小。如果信息增益小于阈值，等同于忽略。        self._tree = {}    # 熵    @staticmethod    def calc_ent(datasets):        data_length = len(datasets)        label_count = {}        for i in range(data_length):            label = datasets[i][-1]            if label not in label_count:                label_count[label] = 0            label_count[label] += 1        ent = -sum([(p / data_length) * log(p / data_length, 2)                    for p in label_count.values()])        return ent    # 经验条件熵    def cond_ent(self, datasets, axis=0):        data_length = len(datasets)        feature_sets = {}        for i in range(data_length):            feature = datasets[i][axis]            if feature not in feature_sets:                feature_sets[feature] = []            feature_sets[feature].append(datasets[i])        cond_ent = sum([(len(p) / data_length) * self.calc_ent(p)                        for p in feature_sets.values()])        return cond_ent    # 信息增益    @staticmethod    def info_gain(ent, cond_ent):        return ent - cond_ent    def info_gain_train(self, datasets):  # 计算当前数据集中信息增益最大的特征。        count = len(datasets[0]) - 1        ent = self.calc_ent(datasets)        best_feature = []        for c in range(count):            c_info_gain = self.info_gain(ent, self.cond_ent(datasets, axis=c))            best_feature.append((c, c_info_gain))        # 比较大小        best_ = max(best_feature, key=lambda x: x[-1])        return best_    def train(self, train_data):        """        input:数据集D(DataFrame格式)，特征集A，阈值eta        output:决策树T        """        _ = train_data.iloc[:, :-1]  # 除最后一列的所有数据        y_train = train_data.iloc[:, -1]  # 仅包含最后一列        features = train_data.columns[:-1]  # 除最后一个特征以外的特征        # 下面是ID3算法四步。D为训练数据集，A为特征集。        # 1 若D中实例属于同一类Ck，则T为单节点树，并将类Ck作为结点的类标记，返回T        if len(y_train.value_counts()) == 1:  # value_counts函数，对数据按照值进行排序，并且按照从大到小排序            return Node(root=True, label=y_train.iloc[0])        # 2 若A为空，则T为单节点树，将D中实例树最大的类Ck作为该节点的类标记，返回T        if len(features) == 0:            return Node(                root=True,                label=y_train.value_counts().sort_values(                    ascending=False).index[0])            # 没有特征进行划分了，所以对当前数据集所有类别进行了归类，并计数，然后排序，            # 选择类别数最大的类别，估计为当前节点代表的类别        # 3 计算最大信息增益        # max_feature为信息增益最大特征名字的序号,        # max_info_gain为最大信息增益        # max_feature_name为最大信息增益特征名字        max_feature, max_info_gain = self.info_gain_train(np.array(train_data))        max_feature_name = features[max_feature]        # 4 信息增益小于阈值，忽略，置T为单节点树，并将D中是实例数最大的类Ck作为该节点的类标记，返回T        if max_info_gain < self.epsilon:            return Node(                root=True,                label=y_train.value_counts().sort_values(                    ascending=False).index[0])        # 5 构建最大信息增益点Ag的子集。        # 按照Ag的每一个可能的取值ai，将数据集D分成一个Di，每个Di中实例数最大的类作为标记，构建子节点。        # 由当前最大信息增益点及其子节点构成树，并返回        node_tree = Node(            root=False, feature_name=max_feature_name, feature=max_feature)        # 将train_data按照  当前最大信息增益特征不同值  划分，index指value_counts后的类别部分        feature_list = train_data[max_feature_name].value_counts().index        for f in feature_list:            # 去掉 最大信息增益这个特征            sub_train_df = train_data.loc[train_data[max_feature_name] == f].drop([max_feature_name], axis=1)            # 6 递归生成树            # 对去掉这个特征的数据继续进行训练            sub_tree = self.train(sub_train_df)            # 将当前节点加到递归上层父节点上。            # 这个算法不是从根节点，一步一步加点生成树，            # 而是从根节点开始找出最大信息增益节点，这个点只是声明了一下，并没有建立联系。然后递归向下，到达叶节点之后，            # 将叶节点添加到上层递归的父节点，然后父节点在train另一个子节点，然后将子节点在加入到父节点。            # 这时最初的根节点仍然是只有一个点，但是最下边的某个子树已经建立了父子关系，生成了树            node_tree.add_node(f, sub_tree)        return node_tree    def fit(self, train_data):        self._tree = self.train(train_data)        return self._tree    def predict(self, X_test):        return self._tree.predict(X_test)datasets, labels = create_data()data_df = pd.DataFrame(datasets, columns=labels)dt = DTree()tree = dt.fit(data_df)print(tree)print("下边预测数据：[老年, 否, 否, 一般]，结果为：")print(dt.predict(['老年', '否', '否', '一般']))

结果：

{'label:': None, 'feature': 2, 'tree': {'否': {'label:': None, 'feature': 1, 'tree': {'否': {'label:': '否', 'feature': None, 'tree': {}}, '是': {'label:': '是', 'feature': None, 'tree': {}}}}, '是': {'label:': '是', 'feature': None, 'tree': {}}}}下边预测数据：[老年, 否, 否, 一般]，结果为：否

3，sklearn模拟

import numpy as npimport pandas as pdfrom sklearn.datasets import load_irisfrom sklearn.model_selection import train_test_splitfrom sklearn.tree import DecisionTreeClassifierfrom sklearn.tree import export_graphvizimport graphvizdef create_data():    iris = load_iris()    df = pd.DataFrame(iris.data, columns=iris.feature_names)    df['label'] = iris.target    df.columns = [        'sepal length', 'sepal width', 'petal length', 'petal width', 'label'    ]    data = np.array(df.iloc[:100, [0, 1, -1]])    # print(data)    return data[:, :2], data[:, -1]X, y = create_data()X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)clf = DecisionTreeClassifier()clf.fit(X_train, y_train,)print(clf.score(X_test, y_test))# 为了让下边的语句执行，首先要安装graphviz，官网下载exe或者zip都行，这种方式要配置环境变量# pycharm安装失败时，用命令行安装pip install graphviz -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com。这种方式直接安装在了Anaconda下就不用配置环境变量了# 成功后，在命令行运行dot -v看一下是否成功安装# 成功后，现在命令行运行dot - c。执行完后，在运行程序即可。tree_pic = export_graphviz(clf, out_file="mytree.pdf")  # 生成了画树的graphviz语句with open('mytree.pdf') as f:    dot_graph = f.read()  # 我们将画树的语句取出来graph = graphviz.Source(dot_graph)  # 将这些语句存储graph.view()  # 画出来

结果：

0.9666666666666667

最初生成的mytree.pdf文件：

通过dot画出来的文件（自动命名成Source.gv.pdf）：

上述内容就是python中怎么模拟决策树，你们学到知识或技能了吗？如果还想学到更多技能或者丰富自己的知识储备，欢迎关注行业资讯频道。