笔记|数据挖掘经典十大算法_ID3算法数据挖掘|算法|决策树|python|数

一、ID3算法介绍 ID3算法通过自顶向下的方式构建一棵决策树来进行学习，每一次选择的是当前样本集中具有最大信息增益的属性作为测试属性。样本集根据测试属性的属性值进行划分，测试属性有多少取值就能够将样本属性划分为多少子样本集。

文章图片

构建决策树：

文章图片

二、利用python实现ID3算法 ID3.py

import math import operator import TreePlotter # 1.构建西瓜数据集离散属性 def createDataset() : # 特征列表 features = ['色泽', '根蒂', '敲声', '纹理', '脐部', '触感'] dataset = [ # 数组中的每一个元素为一个样本共17个，属性有6个最后一个是分类标签 ['青绿', '蜷缩', '浊响', '清晰', '凹陷', '硬滑', '是'], ['乌黑', '蜷缩', '沉闷', '清晰', '凹陷', '硬滑', '是'], ['乌黑', '蜷缩', '浊响', '清晰', '凹陷', '硬滑', '是'], ['青绿', '蜷缩', '沉闷', '清晰', '凹陷', '硬滑', '是'], ['浅白', '蜷缩', '浊响', '清晰', '凹陷', '硬滑', '是'], ['青绿', '稍蜷', '浊响', '清晰', '稍凹', '软粘', '是'], ['乌黑', '稍蜷', '浊响', '稍糊', '稍凹', '软粘', '是'], ['乌黑', '稍蜷', '浊响', '清晰', '稍凹', '硬滑', '是'], ['乌黑', '稍蜷', '沉闷', '稍糊', '稍凹', '硬滑', '否'], ['青绿', '硬挺', '清脆', '清晰', '平坦', '软粘', '否'], ['浅白', '硬挺', '清脆', '模糊', '平坦', '硬滑', '否'], ['浅白', '蜷缩', '浊响', '模糊', '平坦', '软粘', '否'], ['青绿', '稍蜷', '浊响', '稍糊', '凹陷', '硬滑', '否'], ['浅白', '稍蜷', '沉闷', '稍糊', '凹陷', '硬滑', '否'], ['乌黑', '稍蜷', '浊响', '清晰', '稍凹', '软粘', '否'], ['浅白', '蜷缩', '浊响', '模糊', '平坦', '硬滑', '否'], ['青绿', '蜷缩', '沉闷', '稍糊', '稍凹', '硬滑', '否']] return dataset , features # 返回数据集和特征列表''' 5.函数说明:计算给定数据集的经验熵(香农熵) Parameters: dataSet - 数据集 Returns: shannonEnt - 经验熵(香农熵) ''' def calcShannonEnt(dataSet) : numEntries = len(dataSet) # 计算数据中的样本数(行数) labelCount = {} # 计算每个类的样本数(每个标签出现的次数) 采用字典存放 for featVec in dataSet : # 对每一组特征向量进行统计 if featVec[-1] not in labelCount.keys() : # featVec[-1]提取标签信息如果标签中没有放入统计次数的字典中，将其添加 labelCount[featVec[-1]] = 0 labelCount[featVec[-1]] += 1 # 计数+1 shannonEnt = 0 # 设置香农熵的初始值 for key in labelCount : # 计算香农熵 prob = float(labelCount[key]) / numEntries # 该标签的个数/总的样本数表示选择该标签的概率强制转换为float类型 shannonEnt -= prob * math.log(prob,2) # 利用信息熵公式 E(x) = -p(x)*logp(x) 以2为底 return shannonEnt # 返回香农熵''' 6.函数说明:按照给定特征划分数据集 Parameters: dataSet - 待划分的数据集 axis - 划分数据集的特征 value - 需要返回的特征的值 ''' def splitDataSet(dataSet,axis,value) : # axis属性索引 value属性取值 retDataSet = [] # 列表用于保存筛选出来的数据样本 for featVec in dataSet : # 遍历数据集 if featVec[axis] == value : reducedFeatVec = featVec[:axis] # 去掉axis特征 reducedFeatVec.extend(featVec[axis + 1 :]) # 将符合条件的添加到返回的数据集中 retDataSet.append(reducedFeatVec) return retDataSet # 返回划分后的数据集''' 4.函数说明:选择最优特征 Parameters: dataSet - 数据集 Returns: bestFeature - 信息增益最大的(最优)特征的索引值 ''' def chooseBestFeatureToSplit(dataSet): numFeatures = len(dataSet[0]) - 1 # -1是为了去除最后一列保存特征数量 baseEntropy = calcShannonEnt(dataSet) # 调用自定义方法计算香农熵 bestInfoGain = 0.0 # 设置初始信息增益 bestFeature = -1 # 设置初始最有特征的属性索引是 -1 for i in range(numFeatures) : # 遍历所有的特征 # 获取dataSet的第i个所有特征 featList = [example[i] for example in dataSet] uniqueVals = set(featList) # 创建set集合元素不重复 newEntropy = 0 # 设置经验条件熵的初始值 for value in uniqueVals : # 计算信息增益 subDataSet = splitDataSet(dataSet,i,value) # splitDataSet划分后的子集 prob = len(subDataSet) / float(len(dataSet)) # 计算子集的概率划分后的子集/总的样本数量 newEntropy += prob * calcShannonEnt(subDataSet) # 利用香浓熵计算经验条件熵 infoGain = baseEntropy - newEntropy # 计算信息增益香农熵-条件熵 if infoGain > bestInfoGain : # 将新计算的信息增益进行比较 bestInfoGain = infoGain # 更新使得bestInfoGain中一直保存的是最大的信息增益 bestFeature = i # 记录信息增益最大的特征的索引值 return bestFeature # 返回信息增益最大的(最优)特征的索引值''' 3.函数说明:统计classList中出现次数最多的元素(类标签) Parameters: classList - 类标签列表 Returns: sortedClassCount[0][0] - 出现次数最多的元素(类标签) ''' def majorityCnt(classList) : classCount = {} # 采用字典计数 for value in classList : # 遍历类标签列表统计classList中每个元素出现的次数 if value not in classCount.keys() : classCount[value] = 0 classCount[value] += 1 # 计数+1 sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True) # reverse=True降序排列根据字典的值降序排序 return sortedClassCount[0][0] # 返回数据最多的类别名称，由于采用降序排列，因此数组中[0][0]位置即为数据最多的类别 ''' 2.函数说明:递归构建决策树 Parameters: dataSet - 训练数据集 features - 分类属性标签 featLabels - 存储选择的最优特征标签 Returns: myTree - 决策树 ''' def createTree(dataset,features) : # 取出样本中的所有类别标签 classList = [example[-1] for example in dataset] # -1表示最后一个是or否 # 判断递归条件 if classList.count(classList[0]) == len(dataset) : # 如果类别完全相同则达到递归终止条件停止继续划分 return classList[0] if len(dataset[0]) == 1 : # 遍历完所有的特征返回出现次数最多的类标签 return majorityCnt(classList) bestFeat = chooseBestFeatureToSplit(dataset) # 调用自定义chooseBestFeatureToSplit方法，选择最优特征 bestFeatLabel = features[bestFeat] # 获取最优特征的标签 myTree = {bestFeatLabel : {}} # 根据最优特征的标签生成树分类结果以字典的形式保存 del(features[bestFeat]) # 当使用该属性完成划分后，该属性就无效了需要在features列表中将用过的属性删除 featValues = [example[bestFeat] for example in dataset] # 通过for循环得到训练集中所有最有特征的属性值 uniqueVals = set(featValues) # 去重操作去掉重复的属性值 for value in uniqueVals : subLabels = features[:] # 拷贝一个数据列表 # 递归调用函数createTree,遍历特征，创建决策树 myTree[bestFeatLabel][value] = createTree(splitDataSet(dataset,bestFeat,value),subLabels) # 对于每一个分支，需要通过递归创建树 return myTreedataset,features = createDataset() myTree = createTree(dataset,features) print(myTree) TreePlotter.createPlot(myTree)

【笔记|数据挖掘经典十大算法_ID3算法】TreePlotter.py

import matplotlib.pylab as plt import matplotlib# 能够显示中文 matplotlib.rcParams['font.sans-serif'] = ['SimHei'] matplotlib.rcParams[ 'font.serif'] = ['SimHei']# 分叉节点，也就是决策节点创建字典 decisionNode = dict(boxstyle="sawtooth", fc="0.8")# 叶子节点 leafNode = dict(boxstyle="round4", fc="0.8")# 箭头样式 arrow_args = dict(arrowstyle="<-")def plotNode(nodeTxt, centerPt, parentPt, nodeType): """ 绘制一个节点 :param nodeTxt: 描述该节点的文本信息 :param centerPt: 文本的坐标 :param parentPt: 点的坐标，这里也是指父节点的坐标 :param nodeType: 节点类型,分为叶子节点和决策节点 :return: """ createPlot.ax1.annotate(nodeTxt, xy=parentPt, xycoords='axes fraction', xytext=centerPt, textcoords='axes fraction', va="center", ha="center", bbox=nodeType, arrowprops=arrow_args)def getNumLeafs(myTree): """ 获取叶节点的数目 :param myTree: :return: """ # 统计叶子节点的总数 numLeafs = 0# 得到当前第一个key，也就是根节点 firstStr = list(myTree.keys())[0]# 得到第一个key对应的内容 secondDict = myTree[firstStr]# 递归遍历叶子节点 for key in secondDict.keys(): # 如果key对应的是一个字典，就递归调用 if type(secondDict[key]).__name__ == 'dict': numLeafs += getNumLeafs(secondDict[key]) # 不是的话，说明此时是一个叶子节点 else: numLeafs += 1 return numLeafsdef getTreeDepth(myTree): """ 得到树的深度层数 :param myTree: :return: """ # 用来保存最大层数 maxDepth = 0# 得到根节点 firstStr = list(myTree.keys())[0]# 得到key对应的内容 secondDic = myTree[firstStr]# 遍历所有子节点 for key in secondDic.keys(): # 如果该节点是字典，就递归调用 if type(secondDic[key]).__name__ == 'dict': # 子节点的深度加1 thisDepth = 1 + getTreeDepth(secondDic[key])# 说明此时是叶子节点 else: thisDepth = 1# 替换最大层数 if thisDepth > maxDepth: maxDepth = thisDepthreturn maxDepthdef plotMidText(cntrPt, parentPt, txtString): """ 计算出父节点和子节点的中间位置，填充信息 :param cntrPt: 子节点坐标 :param parentPt: 父节点坐标 :param txtString: 填充的文本信息 :return: """ # 计算x轴的中间位置 xMid = (parentPt[0] - cntrPt[0]) / 2.0 + cntrPt[0] # 计算y轴的中间位置 yMid = (parentPt[1] - cntrPt[1]) / 2.0 + cntrPt[1] # 进行绘制 createPlot.ax1.text(xMid, yMid, txtString)def plotTree(myTree, parentPt, nodeTxt): """ 绘制出树的所有节点，递归绘制 :param myTree: 树 :param parentPt: 父节点的坐标 :param nodeTxt: 节点的文本信息 :return: """ # 计算叶子节点数 numLeafs = getNumLeafs(myTree=myTree)# 计算树的深度 depth = getTreeDepth(myTree=myTree)# 得到根节点的信息内容 firstStr = list(myTree.keys())[0]# 计算出当前根节点在所有子节点的中间坐标,也就是当前x轴的偏移量加上计算出来的根节点的中心位置作为x轴（比如说第一次：初始的x偏移量为：-1/2W,计算出来的根节点中心位置为：(1+W)/2W，相加得到：1/2），当前y轴偏移量作为y轴 cntrPt = (plotTree.xOff + (1.0 + float(numLeafs)) / 2.0 / plotTree.totalW, plotTree.yOff)# 绘制该节点与父节点的联系 plotMidText(cntrPt, parentPt, nodeTxt)# 绘制该节点 plotNode(firstStr, cntrPt, parentPt, decisionNode)# 得到当前根节点对应的子树 secondDict = myTree[firstStr]# 计算出新的y轴偏移量，向下移动1/D，也就是下一层的绘制y轴 plotTree.yOff = plotTree.yOff - 1.0 / plotTree.totalD# 循环遍历所有的key for key in secondDict.keys(): # 如果当前的key是字典的话，代表还有子树，则递归遍历 if isinstance(secondDict[key], dict): plotTree(secondDict[key], cntrPt, str(key)) else: # 计算新的x轴偏移量，也就是下个叶子绘制的x轴坐标向右移动了1/W plotTree.xOff = plotTree.xOff + 1.0 / plotTree.totalW # 打开注释可以观察叶子节点的坐标变化 # print((plotTree.xOff, plotTree.yOff), secondDict[key]) # 绘制叶子节点 plotNode(secondDict[key], (plotTree.xOff, plotTree.yOff), cntrPt, leafNode) # 绘制叶子节点和父节点的中间连线内容 plotMidText((plotTree.xOff, plotTree.yOff), cntrPt, str(key))# 返回递归之前，需要将y轴的偏移量增加，向上移动1/D，也就是返回去绘制上一层的y轴 plotTree.yOff = plotTree.yOff + 1.0 / plotTree.totalDdef createPlot(inTree): """ 需要绘制的决策树 :param inTree: 决策树字典 :return: """ # 创建一个图像 fig = plt.figure(1, facecolor='white') fig.clf() axprops = dict(xticks=[], yticks=[]) createPlot.ax1 = plt.subplot(111, frameon=False, **axprops) # 计算出决策树的总宽度 plotTree.totalW = float(getNumLeafs(inTree)) # 计算出决策树的总深度 plotTree.totalD = float(getTreeDepth(inTree)) # 初始的x轴偏移量，也就是-1/2W，每次向右移动1/W，也就是第一个叶子节点绘制的x坐标为：1/2W，第二个：3/2W，第三个：5/2W，最后一个：(W-1)/2W plotTree.xOff = -0.5 / plotTree.totalW # 初始的y轴偏移量，每次向下或者向上移动1/D plotTree.yOff = 1.0 # 调用函数进行绘制节点图像 plotTree(inTree, (0.5, 1.0), '') # 绘制 plt.show()if __name__ == '__main__': print((matplotlib._fname())) testTree = {'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}, 3: 'maybe'}} createPlot(testTree)