python機器學習實戰(二)

原文鏈接:https://www.cnblogs.com/fydeblog/p/7159775.html

前言

這篇notebook是關於機器學習監督學習中的決策樹算法,內容包括決策樹算法的構造過程,使用matplotlib庫繪製樹形圖以及使用決策樹預測隱形眼睛類型.
操作系統:ubuntu14.04(win也ok) 運行環境:anaconda-python2.7-jupyter notebook 參考書籍:機器學習實戰和源碼 notebook writer ----方陽

注意事項:在這裏說一句,默認環境python2.7的notebook,用python3.6的會出問題,還有我的目錄可能跟你們的不一樣,你們自己跑的時候記得改目錄,我會把notebook和代碼以及數據集放到結尾的百度雲盤,方便你們下載!

決策樹原理:不斷通過數據集的特徵來劃分數據集,直到遍歷所有劃分數據集的屬性,或每個分支下的實例都具有相同的分類,決策樹算法停止運行。

決策樹的優缺點及適用類型:

  • 優點 :計算複雜度不高, 輸出結果易於理解,對中間值的缺失不敏感,可以處理不相關特徵數據。
  • 缺點 :可能會產生過度匹配問題。

適用數據類型:數值型和標稱型。

先舉一個小例子,讓你瞭解決策樹是幹嘛的,簡單來說,決策樹算法就是一種基於特徵的分類器,拿郵件來說吧,試想一下,郵件的類型有很多種,有需要及時處理的郵件,無聊時觀看的郵件,垃圾郵件等等,我們需要去區分這些,比如根據郵件中出現裏你的名字還有你朋友的名字,這些特徵就會就可以將郵件分成兩類,需要及時處理的郵件和其他郵件,這時候在分類其他郵件,例如郵件中出現buy,money等特徵,說明這是垃圾推廣文件,又可以將其他文件分成無聊是觀看的郵件和垃圾郵件了。

1.決策樹的構造

1.1 信息增益

試想一下,一個數據集是有多個特徵的,我們該從那個特徵開始劃分呢,什麼樣的劃分方式會是最好的?

我們知道劃分數據集的大原則是將無序的數據變得更加有序,這樣才能分類得更加清楚,這裏就提出了一種概念,叫做信息增益,它的定義是在劃分數據集之前之後信息發生的變化,變化越大,證明劃分得越好,所以在劃分數據集的時候,獲得增益最高的特徵就是最好的選擇。

這裏又會扯到另一個概念,信息論中的熵,它是集合信息的度量方式,熵變化越大,信息增益也就越大。信息增益是熵的減少或者是數據無序度的減少.

一個符號x在信息論中的信息定義是 l(x)= -log(p(x)) ,這裏都是以2爲底,不再複述。

則熵的計算公式是 H =-∑p(xi)log(p(xi)) (i=1,2,..n)

下面開始實現給定數據集,計算熵。

參考代碼:

from math import log         #we use log function to calculate the entropy
import operator
def calcShannonEnt(dataSet):
    numEntries = len(dataSet)
    labelCounts = {}
    for featVec in dataSet: #the the number of unique elements and their occurance
        currentLabel = featVec[-1]
        if currentLabel not in labelCounts.keys(): labelCounts[currentLabel] = 0
        labelCounts[currentLabel] += 1
    shannonEnt = 0.0
    for key in labelCounts:
        prob = float(labelCounts[key])/numEntries
        shannonEnt -= prob * log(prob,2)     #log base 2
    return shannonEnt

程序思路:

  • 首先計算數據集中實例的總數,由於代碼中多次用到這個值,爲了提高代碼效率,我們顯式地聲明一個變量保存實例總數。
  • 然後 ,創建一個數據字典labelCounts,它的鍵值是最後一列(分類的結果)的數值.如果當前鍵值不存在,則擴展字典並將當前鍵值加入字典。每個鍵值都記錄了當前類別出現的次數。
  • 最後 , 使用所有類標籤的發生頻率計算類別出現的概率。我們將用這個概率計算香農熵。

讓我們來測試一下,先自己定義一個數據集。

下表的數據包含 5 個海洋動物,特徵包括:不浮出水面是否可以生存,以及是否有腳蹼。我們可以將這些動物分成兩類: 魚類和非魚類。

python機器學習實戰(二)

根據上面的表格,我們可以定義一個createDataSet函數。

參考代碼如下:

 def createDataSet():
     dataSet = [[1, 1, 'yes'],
                [1, 1, 'yes'],
                [1, 0, 'no'],
                [0, 1, 'no'],
                [0, 1, 'no']]
     labels = ['no surfacing','flippers']
     #change to discrete values
     return dataSet, labels

把所有的代碼都放在trees.py中(以下在jupyter)

cd /home/fangyang/桌面/machinelearninginaction/Ch03

/home/fangyang/桌面/machinelearninginaction/Ch03

import trees
myDat, labels = trees.createDataSet()
myDat #old data set
[[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']]
labels
['no surfacing', 'flippers']
trees.calcShannonEnt(myDat) #calculate the entropy
0.9709505944546686
myDat[0][-1]='maybe' #change the result ,and look again the entropy
myDat #new data set
[[1, 1, 'maybe'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']]
trees.calcShannonEnt(myDat) # the new entropy
1.3709505944546687

我們可以看到當結果分類改變,熵也發生裏變化,主要是因爲最後的結果發生裏改變,相應的概率也發生了改變,根據公式,熵也會改變。

1.2 劃分數據集

前面已經得到了如何去求信息熵的函數,但我們的劃分是以哪個特徵劃分的呢,不知道,所以我們還要寫一個以給定特徵劃分數據集的函數。

參考代碼如下:

 def splitDataSet(dataSet, axis, value):
     retDataSet = []
     for featVec in dataSet:
         if featVec[axis] == value:
             reducedFeatVec = featVec[:axis]     #chop out axis used for splitting
             reducedFeatVec.extend(featVec[axis+1:])
             retDataSet.append(reducedFeatVec)
     return retDataSet

函數的三個輸人蔘數:待劃分的數據集(dataSet)、劃分數據集的特徵(axis)、特徵的返回值(value)。輸出是劃分後的數據集(retDataSet)。

小知識:python語言在函數中傳遞的是列表的引用 ,在函數內部對列表對象的修改, 將會影響該列表對象的整個生存週期。爲了消除這個不良影響 ,我們需要在函數的開始聲明一個新列表對象。 因爲該函數代碼在同一數據集上被調用多次,爲了不修改原始數據集,創建一個新的列表對象retDataSet。

這個函數也挺簡單的,根據axis的值所指的對象來進行劃分數據集,比如axis=0,就按照第一個特徵來劃分,featVec[:axis]就是空,下面經過一個extend函數,將featVec[axis+1:]後面的數存到reduceFeatVec中,然後通過append函數以列表的形式存到retDataSet中。

這裏說一下entend和append函數的功能,舉個例子吧。

a=[1,2,3]
b=[4,5,6]
a.append(b)
a

[1, 2, 3, [4, 5, 6]]

a=[1,2,3]
a.extend(b)
 a

[1, 2, 3, 4, 5, 6]
可見append函數是直接將b的原型導入a中,extend是將b中的元素導入到a中
下面再來測試一下
myDat, labels = trees.createDataSet() #initialization
myDat
[[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']]
trees.splitDataSet(myDat,0,1) #choose the first character to split the dataset
[[1, 'yes'], [1, 'yes'], [0, 'no']]
trees.splitDataSet(myDat,0,0)# change the value ,look the difference of previous results
[[1, 'no'], [1, 'no']]

好了,我們知道了怎樣以某個特徵劃分數據集了,但我們需要的是最好的數據集劃分方式,所以要結合前面兩個函數,計算以每個特徵爲劃分方式,相應最後的信息熵,我們要找到最大信息熵,它所對應的特徵就是我們要找的最好劃分方式。所以有了函數chooseBestFeatureToSpilt
參考代碼如下:

  def chooseBestFeatureToSplit(dataSet):
      numFeatures = len(dataSet[0]) - 1      #the last column is used for the labels
      baseEntropy = calcShannonEnt(dataSet) #calculate the original entropy 
      bestInfoGain = 0.0; bestFeature = -1
      for i in range(numFeatures):        #iterate over all the features
          featList = [example[i] for example in dataSet]#create a list of all the examples of this feature
          uniqueVals = set(featList)       #get a set of unique values
          newEntropy = 0.0
          for value in uniqueVals:
             subDataSet = splitDataSet(dataSet, i, value)
             prob = len(subDataSet)/float(len(dataSet))
             newEntropy += prob * calcShannonEnt(subDataSet)     
         infoGain = baseEntropy - newEntropy     #calculate the info gain; ie reduction in entropy
         if (infoGain > bestInfoGain):       #compare this to the best gain so far
             bestInfoGain = infoGain         #if better than current best, set to best
             bestFeature = i
     return bestFeature                      #returns an integer

這個函數就是把前面兩個函數整合起來了,先算出特徵的數目,由於最後一個是標籤,不算特徵,所以以數據集長度來求特徵數時,要減1。然後求原始的信息熵,是爲了跟新的信息熵,進行比較,選出變化最大所對應的特徵。這裏有一個雙重循環,外循環是按特徵標號進行循環的,下標從小到大,featList是特徵標號對應下的每個樣本的值,是一個列表,而uniqueVals是基於這個特徵的所有可能的值的集合,內循環做的是以特徵集合中的每一個元素作爲劃分,最後求得這個特徵下的平均信息熵,然後原始的信息熵進行比較,得出信息增益,最後的if語句是要找到最大信息增益,並得到最大信息增益所對應的特徵的標號。

現在來測試測試

import trees
myDat, labels = trees.createDataSet()
trees.chooseBestFeatureToSplit(myDat)   #return the index of best character to split

0

1.3 遞歸構建決策樹

好了,到現在,我們已經知道如何基於最好的屬性值去劃分數據集了,現在進行下一步,如何去構造決策樹

決策樹的實現原理:得到原始數據集, 然後基於最好的屬性值劃分數據集,由於特徵值可能多於兩個,因此可能存在大於兩個分支的數據集劃分。第一次劃分之後, 數據將被向下傳遞到樹分支的下一個節點, 在這個節點上 ,我們可以再次劃分數據。因此我們可以採用遞歸的原則處理數據集。

遞歸結束的條件是:程序遍歷完所有劃分數據集的屬性, 或者每個分支下的所有實例都具有相同的分類。

這裏先構造一個majorityCnt函數,它的作用是返回出現次數最多的分類名稱,後面會用到

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]

這個函數在實戰一中的一個函數是一樣的,複述一遍,classCount定義爲存儲字典,每當,由於後面加了1,所以每次出現鍵值就加1,就可以就算出鍵值出現的次數裏。最後通過sorted函數將classCount字典分解爲列表,sorted函數的第二個參數導入了運算符模塊的itemgetter方法,按照第二個元素的次序(即數字)進行排序,由於此處reverse=True,是逆序,所以按照從大到小的次序排列。

讓我們來測試一下

import numpy as np
classList = np.array(myDat).T[-1]
classList

array(['yes', 'yes', 'no', 'no', 'no'],
dtype='|S21')

majorityCnt(classList)    #the number of 'no' is 3, 'yes' is 2,so return 'no'

‘no’
接下來是創建決策樹函數

代碼如下:

  def createTree(dataSet,labels):
      classList = [example[-1] for example in dataSet]
      if classList.count(classList[0]) == len(classList): 
          return classList[0]#stop splitting when all of the classes are equal
      if len(dataSet[0]) == 1: #stop splitting when there are no more features in dataSet
          return majorityCnt(classList)
      bestFeat = chooseBestFeatureToSplit(dataSet)
      bestFeatLabel = labels[bestFeat]
      myTree = {bestFeatLabel:{}}
     del(labels[bestFeat])              #delete the best feature , so it can find the next best feature
     featValues = [example[bestFeat] for example in dataSet] 
     uniqueVals = set(featValues)
     for value in uniqueVals:
         subLabels = labels[:]       #copy all of labels, so trees don't mess up existing labels
         myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value),subLabels)
     return myTree  

前面兩個if語句是判斷分類是否結束,當所有的類都相等時,也就是屬於同一類時,結束再分類,又或特徵全部已經分類完成了,只剩下最後的class,也結束分類。這是判斷遞歸結束的兩個條件。一般開始的時候是不會運行這兩步的,先選最好的特徵,使用 chooseBestFeatureToSplit函數得到最好的特徵,然後進行分類,這裏創建了一個大字典myTree,它將決策樹的整個架構全包含進去,這個等會在測試的時候說,然後對數據集進行劃分,用splitDataSet函數,就可以得到劃分後新的數據集,然後再進行createTrees函數,直到遞歸結束。

來測試一下

myTree = trees.createTree(myDat,labels)
myTree

{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}}

再來說說上面沒詳細說明的大字典,myTree是特徵是‘no surfacing’,根據這個分類,得到兩個分支‘0’和‘1‘,‘0’分支由於全是同一類就遞歸結束裏,‘1’分支不滿足遞歸結束條件,繼續進行分類,它又會生成它自己的字典,又會分成兩個分支,並且這兩個分支滿足遞歸結束的條件,所以返回‘no surfacing’上的‘1’分支是一個字典。這種嵌套的字典正是決策樹算法的結果,我們可以使用它和Matplotlib來進行畫決策

1.4 使用決策樹執行分類

這個就是將測試合成一個函數,定義爲classify函數

參考代碼如下:

def classify(inputTree,featLabels,testVec):
    firstStr = inputTree.keys()[0]
     secondDict = inputTree[firstStr]
     featIndex = featLabels.index(firstStr)
     key = testVec[featIndex]
     valueOfFeat = secondDict[key]
     if isinstance(valueOfFeat, dict): 
         classLabel = classify(valueOfFeat, featLabels, testVec)
     else: classLabel = valueOfFeat
     return classLabel

這個函數就是一個根據決策樹來判斷新的測試向量是那種類型,這也是一個遞歸函數,拿上面決策樹的結果來說吧。

{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}},這是就是我們的inputTree,首先通過函數的第一句話得到它的第一個bestFeat,也就是‘no surfacing’,賦給了firstStr,secondDict就是‘no surfacing’的值,也就是 {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}},然後用index函數找到firstStr的標號,結果應該是0,根據下標,把測試向量的值賦給key,然後找到對應secondDict中的值,這裏有一個isinstance函數,功能是第一個參數的類型等於後面參數的類型,則返回true,否則返回false,testVec列表第一位是1,則valueOfFeat的值是 {0: 'no', 1: 'yes'},是dict,則遞歸調用這個函數,再進行classify,知道不是字典,也就最後的結果了,其實就是將決策樹過一遍,找到對應的labels罷了。

這裏有一個小知識點,在jupyter notebook中,顯示綠色的函數,可以通過下面查詢它的功能,例如

isinstance?     #run it , you will see a below window which is used to introduce this function

讓我們來測試測試

trees.classify(myTree,labels,[1,0])

‘no’

trees.classify(myTree,labels,[1,1])

‘yes'

1.5 決策樹的存儲

構造決策樹是很耗時的任務,即使處理很小的數據集, 如前面的樣本數據, 也要花費幾秒的時間 ,如果數據集很大,將會耗費很多計算時間。然而用創建好的決策樹解決分類問題,可以很快完成。因此 ,爲了節省計算時間,最好能夠在每次執行分類時調用巳經構造好的決策樹。

解決方案:使用pickle模塊存儲決策樹

參考代碼:

def storeTree(inputTree,filename):
    import pickle
    fw = open(filename,'w')
    pickle.dump(inputTree,fw)
    fw.close()

def grabTree(filename):
    import pickle
    fr = open(filename)
    return pickle.load(fr)

就是將決策樹寫到文件中,用的時候在取出來,測試一下就明白了

trees.storeTree(myTree,'classifierStorage.txt')   #run it ,store the tree
trees.grabTree('classifierStorage.txt')  

{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}}
決策樹的構造部分結束了,下面介紹怎樣繪製決策樹

2. 使用Matplotlib註解繪製樹形圖

前面我們看到決策樹最後輸出是一個大字典,非常醜陋,我們想讓它更有層次感,更加清晰,最好是圖形狀的,於是,我們要Matplotlib去畫決策樹。

2.1 Matplotlib註解

Matplotlib提供了一個註解工具annotations,它可以在數據圖形上添加文本註釋。

創建一個treePlotter.py文件來存儲畫圖的相關函數.

首先是使用文本註解繪製樹節點,參考代碼如下:

 import matplotlib.pyplot as plt

 decisionNode = dict(boxstyle="sawtooth", fc="0.8")
 leafNode = dict(boxstyle="round4", fc="0.8")
 arrow_args = dict(arrowstyle="<-")

 def plotNode(nodeTxt, centerPt, parentPt, nodeType):
    createPlot.ax1.annotate(nodeTxt, xy=parentPt,  xycoords='axes fraction',\
             xytext=centerPt, textcoords='axes fraction',\
             va="center", ha="center", bbox=nodeType, arrowprops=arrow_args )

def createPlot1():
    fig = plt.figure(1, facecolor='white')
    fig.clf()
    createPlot.ax1 = plt.subplot(111, frameon=False) #ticks for demo puropses 
    plotNode('a decision node', (0.5, 0.1), (0.1, 0.5), decisionNode)
    plotNode('a leaf node', (0.8, 0.1), (0.3, 0.8), leafNode)
    plt.show()

前面三行是定義文本框和箭頭格式,decisionNode是鋸齒形方框,文本框的大小是0.8,leafNode是4邊環繞型,跟矩形類似,大小也是4,arrow_args是指箭頭,我們在後面結果是會看到這些東西,這些數據以字典類型存儲。第一個plotNode函數的功能是繪製帶箭頭的註解,輸入參數分別是文本框的內容,文本框的中心座標,父結點座標和文本框的類型,這些都是通過一個createPlot.ax1.annotate函數實現的,create.ax1是一個全局變量,這個函數不多將,會用就行了。第二個函數createPlot就是生出圖形,也沒什麼東西,函數第一行是生成圖像的畫框,橫縱座標最大值都是1,顏色是白色,下一個是清屏,下一個就是分圖,111中第一個1是行數,第二個是列數,第三個是第幾個圖,這裏就一個圖,跟matlab中的一樣,matplotlib裏面的函數都是和matlab差不多。

來測試一下吧

reset -f   #clear all the module and data
cd 桌面/machinelearninginaction/Ch03

/home/fangyang/桌面/machinelearninginaction/Ch03

import treePlotter
import matplotlib.pyplot as plt
treePlotter.createPlot1()

python機器學習實戰(二)

2.2 構造註解樹

繪製一棵完整的樹需要一些技巧。我們雖然有 x 、y 座標,但是如何放置所有的樹節點卻是個問題,我們必須知道有多少個葉節點,以便可以正確確定x軸的長度;我們還需要知道樹有多少層,以便可以正確確定y軸的高度。這裏定義了兩個新函數getNumLeafs()和getTreeDepth(),以求葉節點的數目和樹的層數。

參考代碼:

 def getNumLeafs(myTree):
    numLeafs = 0
    firstStr = myTree.keys()[0]
     secondDict = myTree[firstStr]
    for key in secondDict.keys():
        if type(secondDict[key]).__name__=='dict':#test to see if the nodes are dictonaires, if not they are leaf nodes
            numLeafs += getNumLeafs(secondDict[key])
        else:   numLeafs +=1
    return numLeafs

def getTreeDepth(myTree):
    maxDepth = 0
    firstStr = myTree.keys()[0]
    secondDict = myTree[firstStr]
    for key in secondDict.keys():
        if type(secondDict[key]).__name__=='dict':#test to see if the nodes are dictonaires, if not they are leaf nodes
            thisDepth = 1 + getTreeDepth(secondDict[key])
        else:   thisDepth = 1
        if thisDepth > maxDepth: maxDepth = thisDepth
    return maxDepth

我們可以看到兩個方法有點似曾相識,沒錯,我們在進行決策樹分類測試時,用的跟這個幾乎一樣,分類測試中的isinstance函數換了一種方式去判斷,遞歸依然在,不過是每遞歸依次,高度增加1,葉子數同樣是檢測是否爲字典,不是字典則增加相應的分支。

這裏還寫了一個函數retrieveTree,它的作用是預先存儲的樹信息,避免了每次測試代碼時都要從數據中創建樹的麻煩

參考代碼如下

def retrieveTree(i):
    listOfTrees =[{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}},
                  {'no surfacing': {0: 'no', 1: {'flippers': {0: {'head': {0: 'no', 1: 'yes'}}, 1: 'no'}}}}
                  ]
    return listOfTrees[i]

這個沒什麼好說的,就是把決策樹的結果存在一個函數中,方便調用,跟前面的存儲決策樹差不多。

有了前面這些基礎後,我們就可以來畫樹了。

參考代碼如下:

def plotMidText(cntrPt, parentPt, txtString):
    xMid = (parentPt[0]-cntrPt[0])/2.0 + cntrPt[0]
    yMid = (parentPt[1]-cntrPt[1])/2.0 + cntrPt[1]
    createPlot.ax1.text(xMid, yMid, txtString, va="center", ha="center", rotation=30)

def plotTree(myTree, parentPt, nodeTxt):#if the first key tells you what feat was split on
    numLeafs = getNumLeafs(myTree)  #this determines the x width of this tree
    depth = getTreeDepth(myTree)
    firstStr = myTree.keys()[0]     #the text label for this node should be this
    cntrPt = (plotTree.xOff + (1.0 + float(numLeafs))/2.0/plotTree.totalW, plotTree.yOff)
    plotMidText(cntrPt, parentPt, nodeTxt)
    plotNode(firstStr, cntrPt, parentPt, decisionNode)
    secondDict = myTree[firstStr]
    plotTree.yOff = plotTree.yOff - 1.0/plotTree.totalD
    for key in secondDict.keys():
        if type(secondDict[key]).__name__=='dict':#test to see if the nodes are dictonaires, if not they are leaf nodes   
            plotTree(secondDict[key],cntrPt,str(key))        #recursion
        else:   #it's a leaf node print the leaf node
            plotTree.xOff = plotTree.xOff + 1.0/plotTree.totalW
           plotNode(secondDict[key], (plotTree.xOff, plotTree.yOff), cntrPt, leafNode)
           plotMidText((plotTree.xOff, plotTree.yOff), cntrPt, str(key))
   plotTree.yOff = plotTree.yOff + 1.0/plotTree.totalD
#if you do get a dictonary you know it's a tree, and the first element will be another dict

def createPlot(inTree):
   fig = plt.figure(1, facecolor='white')
    fig.clf()
    axprops = dict(xticks=[], yticks=[])
    createPlot.ax1 = plt.subplot(111, frameon=False, **axprops)    
    plotTree.totalW = float(getNumLeafs(inTree))
    plotTree.totalD = float(getTreeDepth(inTree))
    plotTree.xOff = -0.5/plotTree.totalW; plotTree.yOff = 1.0;
    plotTree(inTree, (0.5,1.0), '')
    plt.show()

第一個函數是在父子節點中填充文本信息,函數中是將父子節點的橫縱座標相加除以2,上面寫得有一點點不一樣,但原理是一樣的,然後還是在這個中間座標的基礎上添加文本,還是用的是 createPlot.ax1這個全局變量,使用它的成員函數text來添加文本,裏面是它的一些參數。

第二個函數是關鍵,它調用前面我們說過的函數,用樹的寬度用於計算放置判斷節點的位置 ,主要的計算原則是將它放在所有葉子節點的中間,而不僅僅是它子節點的中間,根據高度就可以平分座標系了,用座標系的最大值除以高度,就是每層的高度。這個plotTree函數也是個遞歸函數,每次都是調用,畫出一層,知道所有的分支都不是字典後,纔算畫完。每次檢測出是葉子,就記錄下它的座標,並寫出葉子的信息和父子節點間的信息。plotTree.xOff和plotTree.yOff是用來追蹤已經繪製的節點位置,以及放置下一個節點的恰當位置。

第三個函數我們之前介紹介紹過一個類似,這個函數調用了plotTree函數,最後輸出樹狀圖,這裏只說兩點,一點是全局變量plotTree.totalW存儲樹的寬度 ,全 局變量plotTree.totalD存儲樹的深度,還有一點是plotTree.xOff和plotTree.yOff是在這個函數這裏初始化的。

最後我們來測試一下

cd 桌面/machinelearninginaction/Ch03

/home/fangyang/桌面/machinelearninginaction/Ch03

import treePlotter
myTree = treePlotter.retrieveTree(0)
treePlotter.createPlot(myTree)

python機器學習實戰(二)

改變標籤,重新繪製圖形

myTree['no surfacing'][3] = 'maybe'
treePlotter.createPlot(myTree)

python機器學習實戰(二)

至此,用matplotlib畫決策樹到此結束。

3 使用決策樹預測眼睛類型

隱形眼鏡數據集是非常著名的數據集 , 它包含很多患者眼部狀況的觀察條件以及醫生推薦的隱形眼鏡類型 。隱形眼鏡類型包括硬材質 、軟材質以及不適合佩戴 隱形眼鏡 。數據來源於UCI數據庫 ,爲了更容易顯示數據 , 將數據存儲在源代碼下載路徑的文本文件中。

進行測試

import trees
lensesTree = trees.createTree(lenses,lensesLabels)
fr = open('lenses.txt')
lensesTree = trees.createTree(lenses,lensesLabels)
lenses = [inst.strip().split('\t') for inst in fr.readlines()]
lensesLabels = ['age' , 'prescript' , 'astigmatic','tearRate']
lensesTree = trees.createTree(lenses,lensesLabels)

lensesTree

{'tearRate': {'normal': {'astigmatic': {'no': {'age': {'pre': 'soft',
'presbyopic': {'prescript': {'hyper': 'soft', 'myope': 'no lenses'}},
'young': 'soft'}},
'yes': {'prescript': {'hyper': {'age': {'pre': 'no lenses',
'presbyopic': 'no lenses',
'young': 'hard'}},
'myope': 'hard'}}}},
'reduced': 'no lenses'}}

這樣看,非常亂,看不出什麼名堂,畫出決策樹樹狀圖看看

treePlotter.createPlot(lensesTree)

python機器學習實戰(二)

這就非常清楚了,但還是有一個問題,決策樹非常好地匹配了實驗數據,然而這些匹配選項可能太多了,我們將這種問題稱之爲過度匹配(overfitting),爲了減少過度匹配問題,我們可以裁剪決策樹,去掉一些不必要的葉子節點。如果葉子節點只能增加少許信息, 則可以刪除該節點, 將它並人到其他葉子節點中,這個將在後面討論吧!

結尾

這篇notebook寫了兩天多,接近三天,好累,希望這篇關於決策樹的博客能夠幫助到你,如果發現錯誤,還望不吝指教,謝謝!

           

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章