决策树ID3、C4.5
决策树ID3、C4.5
如需转载，请注明作者及出处.
作者：Treant
出处：http://www.cnblogs.com/en-heng/
【十大经典数据挖掘算法】系列
1. 决策树模型与学习
决策树（decision tree）算法基于特征属性进行分类，其主要的优点：模型具有可读性，计算量小，分类速度快。决策树算法包括了由Quinlan提出的ID3与C4.5，Breiman等提出的CART。其中，C4.5是基于ID3的，对分裂属性的目标函数做出了改进。
决策树模型
决策树是一种通过对特征属性的分类对样本进行分类的树形结构，包括有向边与三类节点：
- 根节点（root node），表示第一个特征属性，只有出边没有入边；
- 内部节点（internal node），表示特征属性，有一条入边至少两条出边
- 叶子节点（leaf node），表示类别，只有一条入边没有出边。
[站外图片上传中...(image-2908da-1533348073433)]
上图给出了（二叉）决策树的示例。决策树具有以下特点：
- 对于二叉决策树而言，可以看作是if-then规则集合，由决策树的根节点到叶子节点对应于一条分类规则;
- 分类规则是互斥并且完备的，所谓互斥即每一条样本记录不会同时匹配上两条分类规则，所谓完备即每条样本记录都在决策树中都能匹配上一条规则。
- 分类的本质是对特征空间的划分，如下图所示，
img
决策树学习
决策树学习的本质是从训练数据集中归纳出一组分类规则[2]。但随着分裂属性次序的不同，所得到的决策树也会不同。如何得到一棵决策树既对训练数据有较好的拟合，又对未知数据有很好的预测呢？
首先，我们要解决两个问题：
- 如何选择较优的特征属性进行分裂？每一次特征属性的分裂，相当于对训练数据集进行再划分，对应于一次决策树的生长。ID3算法定义了目标函数来进行特征选择。
- 什么时候应该停止分裂？有两种自然情况应该停止分裂，一是该节点对应的所有样本记录均属于同一类别，二是该节点对应的所有样本的特征属性值均相等。但除此之外，是不是还应该其他情况停止分裂呢？
2. 决策树算法
特征选择
特征选择指选择最大化所定义目标函数的特征。下面给出如下三种特征（Gender, Car Type, Customer ID）分裂的例子：
img
图中有两类类别（C0, C1），C0: 6是对C0类别的计数。直观上，应选择Car Type特征进行分裂，因为其类别的分布概率具有更大的倾斜程度，类别不确定程度更小。
为了衡量类别分布概率的倾斜程度，定义决策树节点t的不纯度（impurity），其满足：不纯度越小，则类别的分布概率越倾斜；下面给出不纯度的的三种度量：
image.png
其中，p(ck|t)表示对于决策树节点t类别ck的概率。这三种不纯度的度量是等价的，在等概率分布时达到最大值。
为了判断分裂前后节点不纯度的变化情况，目标函数定义为信息增益（information gain）：
image.png
I(⋅)对应于决策树节点的不纯度，parent表示分裂前的父节点，N表示父节点所包含的样本记录数，ai表示父节点分裂后的某子节点，N(ai)为其计数，n为分裂后的子节点数。
特别地，ID3算法选取熵值作为不纯度I(⋅)的度量，则
image.png
c指父节点对应所有样本记录的类别；A表示选择的特征属性，即ai的集合。那么，决策树学习中的信息增益Δ等价于训练数据集中类与特征的互信息，表示由于得知特征A的信息训练数据集c不确定性减少的程度。
在特征分裂后，有些子节点的记录数可能偏少，以至于影响分类结果。为了解决这个问题，CART算法提出了只进行特征的二元分裂，即决策树是一棵二叉树；C4.5算法改进分裂目标函数，用信息增益比（information gain ratio）来选择特征：
image.png
因而，特征选择的过程等同于计算每个特征的信息增益，选择最大信息增益的特征进行分裂。此即回答前面所提出的第一个问题（选择较优特征）。ID3算法设定一阈值，当最大信息增益小于阈值时，认为没有找到有较优分类能力的特征，没有往下继续分裂的必要。根据最大表决原则，将最多计数的类别作为此叶子节点。即回答前面所提出的第二个问题（停止分裂条件）。
决策树生成
ID3算法的核心是根据信息增益最大的准则，递归地构造决策树；算法流程如下：
- 如果节点满足停止分裂条件（所有记录属同一类别 or 最大信息增益小于阈值），将其置为叶子节点；
- 选择信息增益最大的特征进行分裂；
- 重复步骤1-2，直至分类完成。
C4.5算法流程与ID3相类似，只不过将信息增益改为信息增益比。
3. 决策树剪枝
过拟合
生成的决策树对训练数据会有很好的分类效果，却可能对未知数据的预测不准确，即决策树模型发生过拟合（overfitting）——训练误差（training error）很小、泛化误差（generalization error，亦可看作为test error）较大。下图给出训练误差、测试误差（test error）随决策树节点数的变化情况：
img
可以观察到，当节点数较小时，训练误差与测试误差均较大，即发生了欠拟合（underfitting）。当节点数较大时，训练误差较小，测试误差却很大，即发生了过拟合。只有当节点数适中是，训练误差居中，测试误差较小；对训练数据有较好的拟合，同时对未知数据有很好的分类准确率。
发生过拟合的根本原因是分类模型过于复杂，可能的原因如下：
- 训练数据集中有噪音样本点，对训练数据拟合的同时也对噪音进行拟合，从而影响了分类的效果；
- 决策树的叶子节点中缺乏有分类价值的样本记录，也就是说此叶子节点应被剪掉。
剪枝策略
为了解决过拟合，C4.5通过剪枝以减少模型的复杂度。[2]中提出一种简单剪枝策略，通过极小化决策树的整体损失函数（loss function）或代价函数（cost function）来实现，决策树TT的损失函数为：
image.png
其中，C(T)表示决策树的训练误差，α为调节参数，|T|为模型的复杂度。当模型越复杂时，训练的误差就越小。上述定义的损失正好做了两者之间的权衡。
如果剪枝后损失函数减少了，即说明这是有效剪枝。具体剪枝算法可以由动态规划等来实现。
4. 参考资料
[1] Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Data Mining.
[2] 李航，《统计学习方法》.
[3] Naren Ramakrishnan, The Top Ten Algorithms in Data Mining.
5 python实现决策树C4.5算法（在ID3基础上改进）
一、概论
C4.5主要是在ID3的基础上改进，ID3选择（属性）树节点是选择信息增益值最大的属性作为节点。而C4.5引入了新概念“信息增益率”,C4.5是选择信息增益率最大的属性作为树节点。
二、信息增益
信息增益
以上公式是求信息增益率（ID3的知识点），其中，D为数据集，H(D)代表数据集D的经验熵，H(D|A)代表了给定特征A后的经验条件熵。熵代表了随机变量不确定的程度，熵越大，越混乱。
image.png
当随机变量只取两个值0/1时，X为0-1分布，则X的熵为：
image.png
条件熵定义为：
image.png
Dv代表了D中第a个属性上取值为av的样例个数。
三、信息增益率
信息增益率
image.png
四、C4.5的完整代码
# -*- coding: utf-8 -*-
# @Time : 2018/2/28 17:23
# @Author : Boy
from numpy import *
from scipy import *
from math import log
import operator
# 计算给定数据的香浓熵：
def calcShannonEnt(dataSet):
numEntries = len(dataSet)
labelCounts = {} # 类别字典（类别的名称为键，该类别的个数为值）
for featVec in dataSet:
currentLabel = featVec[-1]
if currentLabel not in labelCounts.keys(): # 还没添加到字典里的类型
labelCounts[currentLabel] = 0
labelCounts[currentLabel] += 1
shannonEnt = 0.0
for key in labelCounts: # 求出每种类型的熵
prob = float(labelCounts[key]) / numEntries # 每种类型个数占所有的比值
shannonEnt -= prob * log(prob, 2)
return shannonEnt # 返回熵
# 按照给定的特征划分数据集
def splitDataSet(dataSet, axis, value):
retDataSet = []
for featVec in dataSet: # 按dataSet矩阵中的第axis列的值等于value的分数据集
if featVec[axis] == value: # 值等于value的，每一行为新的列表（去除第axis个数据）
reducedFeatVec = featVec[:axis]
reducedFeatVec.extend(featVec[axis + 1:])
retDataSet.append(reducedFeatVec)
return retDataSet # 返回分类后的新矩阵
# 选择最好的数据集划分方式
def chooseBestFeatureToSplit(dataSet):
numFeatures = len(dataSet[0]) - 1 # 求属性的个数
baseEntropy = calcShannonEnt(dataSet)
bestInfoGain = 0.0
bestFeature = -1
for i in range(numFeatures): # 求所有属性的信息增益
featList = [example[i] for example in dataSet]
uniqueVals = set(featList) # 第i列属性的取值（不同值）数集合
newEntropy = 0.0
splitInfo = 0.0
for value in uniqueVals: # 求第i列属性每个不同值的熵*他们的概率
subDataSet = splitDataSet(dataSet, i, value)
prob = len(subDataSet) / float(len(dataSet)) # 求出该值在i列属性中的概率
newEntropy += prob * calcShannonEnt(subDataSet) # 求i列属性各值对于的熵求和
splitInfo -= prob * log(prob, 2)
infoGain = (baseEntropy - newEntropy) / splitInfo # 求出第i列属性的信息增益率
print(infoGain)
if (infoGain > bestInfoGain): # 保存信息增益率最大的信息增益率值以及所在的下表（列值i）
bestInfoGain = infoGain
bestFeature = i
return bestFeature
# 找出出现次数最多的分类名称
def majorityCnt(classList):
classCount = {}
for vote in classList:
if vote not in classCount.keys(): classCount[vote] = 0
classCount[vote] += 1
sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)
return sortedClassCount[0][0]
# 创建树
def createTree(dataSet, labels):
classList = [example[-1] for example in dataSet] # 创建需要创建树的训练数据的结果列表（例如最外层的列表是[N, N, Y, Y, Y, N, Y]）
if classList.count(classList[0]) == len(classList): # 如果所有的训练数据都是属于一个类别，则返回该类别
return classList[0]
if (len(dataSet[0]) == 1): # 训练数据只给出类别数据（没给任何属性值数据），返回出现次数最多的分类名称
return majorityCnt(classList)
bestFeat = chooseBestFeatureToSplit(dataSet) # 选择信息增益最大的属性进行分（返回值是属性类型列表的下标）
bestFeatLabel = labels[bestFeat] # 根据下表找属性名称当树的根节点
myTree = {bestFeatLabel: {}} # 以bestFeatLabel为根节点建一个空树
del (labels[bestFeat]) # 从属性列表中删掉已经被选出来当根节点的属性
featValues = [example[bestFeat] for example in dataSet] # 找出该属性所有训练数据的值（创建列表）
uniqueVals = set(featValues) # 求出该属性的所有值得集合（集合的元素不能重复）
for value in uniqueVals: # 根据该属性的值求树的各个分支
subLabels = labels[:]
myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value), subLabels) # 根据各个分支递归创建树
return myTree # 生成的树
# 实用决策树进行分类
def classify(inputTree, featLabels, testVec):
firstSides = list(inputTree.keys())
firstStr = firstSides[0]
secondDict = inputTree[firstStr]
featIndex = featLabels.index(firstStr)
for key in secondDict.keys():
if testVec[featIndex] == key:
if type(secondDict[key]).__name__ == 'dict':
classLabel = classify(secondDict[key], featLabels, testVec)
else:
classLabel = secondDict[key]
return classLabel
# 读取数据文档中的训练数据（生成二维列表）
def createTrainData():
lines_set = open('../data/ID3/Dataset.txt').readlines()
labelLine = lines_set[2]
labels = labelLine.strip().split()
lines_set = lines_set[4:11]
dataSet = []
for line in lines_set:
data = line.split()
dataSet.append(data)
return dataSet, labels
# 读取数据文档中的测试数据（生成二维列表）
def createTestData():
lines_set = open('../data/ID3/Dataset.txt').readlines()
lines_set = lines_set[15:22]
dataSet = []
for line in lines_set:
data = line.strip().split()
dataSet.append(data)
return dataSet
if __name__ == '__main__':
myDat, labels = createTrainData()
myTree = createTree(myDat, labels)
print(myTree)
bootList = ['outlook', 'temperature', 'humidity', 'windy']
testList = createTestData()
i=1
for testData in testList:
dic = classify(myTree, bootList, testData)
print(i,dic)
i = i+1
trainset
outlook temperature humidity windy
---------------------------------------------------------
sunny hot high false N
sunny hot high true N
overcast hot high false Y
rain mild high false Y
rain cool normal false Y
rain cool normal true N
overcast cool normal true Y
testset
outlook temperature humidity windy
---------------------------------------------------------
sunny mild high false
sunny cool normal false
rain mild normal false
sunny mild normal true
overcast mild high true
overcast hot normal false
rain mild high true
