Hello Kitty到底是猫还是女孩?让决策树告诉我们真伪。
特征选取
我们提取七个特征,用来判断一个形象,是人是猫。这七个特征包括:有否蝴蝶结;是否穿衣服;是否高过5个苹果;是否有胡子;是否圆脸;是否有猫耳朵;是否两脚走路。
用一个表格来表现这七个特征则,如下图所示(第一列为 Label,第二至八列为7个特征,每个特征只有两个取值,Yes 或者 No):
Table-1
用 ID3 算法构造分类树
本例中,我们选用最简单的 ID3 算法,代入数据进行计算。
(1)根据信息熵的概念,我们先来计算 Entropy(S)。因为总共只有两个类别:人和猫,因此 n==2。
(2)然后我们再分别计算各个特征的:
因为无论哪个特征,都只有两个特征值:Yes 或者 No,因此value(T)总共只有两个取值。
下面以“Has a bow”为例来示意其计算过程。
依次计算其他几项,得出如下结果:
(3)进一步计算,得出 InfoGain(Has cat ears) 最大,因此“Has cat ears”是第一个分裂节点。
而从这一特征对应的类别也可以看出,所有特征值为 No 的都一定是 Girl;特征值为 Yes,可能是 Girl 也可能是 Cat,那么第一次分裂,我们得出如下结果:
现在“Has cat ears”已经成为了分裂点,则下一步将其排除,用剩下的6个 Feature 继续分裂成树:
Table-2
Table-2 为第二次分裂所使用的训练数据,相对于 Table-1,“Has cat ears”列,和前7行对应“Has cat ears”为 No 的数据都已经被移除,剩下部分用于第二次分裂。
如此反复迭代,最后使得7个特征都成为分裂点。
需要注意的是,如果某个特征被选为当前轮的分裂点,但是它在现存数据中只有一个值,另一个值对应的记录为空,则这个时候针对不存在的特征值,将它标记为该特征在所有训练数据中所占比例最大的类型。
对本例而言,当我们将“Wear Clothes”作为分裂点时,会发现该特征只剩下了一个选项——Yes(如下 Table-3 所示)。此时怎么给“Wear Clothes”为 No 的分支做标记呢?
Table-3
这时就要看在 Table-1 中,“Wear Clothes”为 No 的记录中是 Girl 多还是 Cat 多。一目了然,在 Table-1 中这两种记录数量为 0:6,因此“Wear Clothes”为 No 的分支直接标志成 Cat。
根据上述方法,最终我们构建出了如下决策树:
决策树构建过程,如下代码所示:
DecisionTree induceTree(training_set, features) { If(training_set中所有的输入项都被标记为同一个label){ return 一个标志位该label的叶子节点; } else if(features为空) { # 默认标记为在所有training_set中所占比例最大的label return 一个标记为默认label的叶子节点; } else { 选取一个feature,F; 以F为根节点创建一棵树currentTree; 从Features中删除F; foreach(value V of F) { 将training_set中feature F的取值为V的元素全部提取出来,组成partition_v; branch_v= induceTree(partition_V, features); 将branch_v添加为根节点的子树,根节点到branch_v的路径为F的V值; } returncurrentTree; } }
后剪枝优化决策树
决策树剪枝
剪枝是优化决策树的常用手段。剪枝方法大致可以分为两类:
- 先剪枝(局部剪枝):在构造过程中,当某个节点满足剪枝条件,则直接停止此分支的构造。
- 后剪枝(全局剪枝):先构造完成完整的决策树,再通过某些条件遍历树进行剪枝。
后剪枝优化 Hello Kitty 树
现在,决策树已经构造完成,所以我们采用后剪枝法,对上面决策树进行修剪。
如图中显示,最后两个分裂点“Has round face”和“Has a bow”存在并无意义——想想也是啊,无论人猫,都有可能是圆脸,也都可以戴蝴蝶结啊。
以我们遍历所有节点,将没有区分作用的节点删除。完成后,我们的决策树变成了下面这样:
代码实现
下面的代码就是用 numpy 和 sklearn 来实现例子中的训练分类树来判断 Hello Kitty 种族所对应的程序。
from sklearn import tree from sklearn.model_selection im port train_test_split import numpy as np #9个女孩和8只猫的数据,对应7个feature,yes取值为1,no为0 features = np.array([ [1, 1, 0, 0, 1, 0, 1], [1, 1, 1, 0, 0, 0, 1], [0, 1, 0, 0, 0, 0, 1], [1, 1, 0, 0, 1, 0, 1], [0, 1, 0, 0, 1, 0, 0], [0, 1, 0, 0, 1, 0, 1], [1, 1, 0, 0, 1, 0, 0], [0, 1, 0, 0, 1, 0, 1], [0, 1, 0, 1, 1, 1, 1], [1, 0, 1, 1, 1, 1, 0], [0, 0, 0, 1, 1, 1, 0], [1, 0, 1, 1, 1, 1, 0], [0, 0, 0, 1, 1, 1, 0], [1, 0, 0, 1, 1, 1, 0], [0, 0, 1, 0, 1, 1, 0], [1, 1, 1, 1, 1, 1, 0], [1, 0, 1, 1, 1, 1, 0] ]) #1 表示是女孩,0表示是猫 labels = np.array([ [1], [1], [1], [1], [1], [1], [1], [1], [1], [0], [0], [0], [0], [0], [0], [0], [0], ]) # 从数据集中取20%作为测试集,其他作为训练集 X_train, X_test, y_train, y_test = train_test_split( features, labels, test_size=0.2, random_state=0, ) # 训练分类树模型 clf = tree.DecisionTreeClassifier() clf.fit(X=X_train, y=y_train) # 测试 print(clf.predict(X_test)) # 对比测试结果和预期结果 print(clf.score(X=X_test, y=y_test)) # 预测HelloKitty HelloKitty = np.array([[1,1,1,1,1,1,1]]) print(clf.predict(HelloKitty))
最后输出为:
[1 1 0 0] 0.75 [0]