《機器學習》（周誌華）第4章 決策樹 筆記 理論及實現——“西瓜樹”
參考書籍：《機器學習》（周誌華）
說 明：本篇內容為讀書筆記，主要參考教材為《機器學習》（周誌華）。詳細內容請參閱書籍——第4章 決策樹。部分內容參考網絡資源，在此感謝所有原創者的工作。
=================================================================
第一部分 理論基礎
1. 純度（purity）
對於一個分支結點，如果該結點所包含的樣本都屬於同一類，那麽它的純度為1，而我們總是希望純度越高越好，也就是盡可能多的樣本屬於同一類別。那麽如何衡量“純度”呢？由此引入“信息熵”的概念。
2. 信息熵（information entropy）
假定當前樣本集合D中第k類樣本所占的比例為pk（k=1,,2,...,|y|），則D的信息熵定義為：
Ent(D) = -∑k=1 pk·log2 pk （約定若p=0，則log2 p=0）
顯然，Ent(D)值越小，D的純度越高。因為0<=pk<= 1,故log2 pk<=0，Ent(D)>=0. 極限情況下，考慮D中樣本同屬於同一類，則此時的Ent(D)值為0（取到最小值）。當D中樣本都分別屬於不同類別時，Ent(D)取到最大值log2
3. 信息增益（information gain）
假定離散屬性a有V個可能的取值{a1,a2,...,aV}. 若使用a對樣本集D進行分類，則會產生V個分支結點，記Dv為第v個分支結點包含的D中所有在屬性a上取值為av的樣本。不同分支結點樣本數不同，我們給予分支結點不同的權重：|Dv|/|D|, 該權重賦予樣本數較多的分支結點更大的影響、由此，用屬性a對樣本集D進行劃分所獲得的信息增益定義為：
Gain(D,a) = Ent(D)-∑v=1 |Dv|/|D|·Ent(Dv)
其中，Ent(D)是數據集D劃分前的信息熵，∑v=1
4. 增益率(gain ratio)
基於信息增益的最優屬性劃分原則——信息增益準則，對可取值數據較多的屬性有所偏好。C4.5算法使用增益率替代信息增益來選擇最優劃分屬性，增益率定義為：
Gain_ratio(D,a) = Gain(D,a)/IV(a)
其中
IV(a) = -∑v=1 |Dv|/|D|·log2 |Dv|/|D|
稱為屬性a的固有值。屬性a的可能取值數目越多（即V越大），則IV(a)的值通常會越大。這在一定程度上消除了對可取值數據較多的屬性的偏好。
事實上，增益率準則對可取值數目較少的屬性有所偏好，C4.5算法並不是直接使用增益率準則，而是先從候選劃分屬性中找出信息增益高於平均水平的屬性，再從中選擇增益率最高的。
5. 基尼指數(Gini index)
CART決策樹算法使用基尼指數來選擇劃分屬性，基尼指數定義為：
Gini(D) = ∑k=1 ∑k‘≠1 pk·pk‘ = 1- ∑k=1 pk·pk
可以這樣理解基尼指數：從數據集D中隨機抽取兩個樣本，其類別標記不一致的概率。Gini(D)越小，純度越高。
屬性a的基尼指數定義：
Gain_index(D,a) = ∑v=1 |Dv|/|D|·Gini(Dv)
使用基尼指數選擇最優劃分屬性，即選擇使得劃分後基尼指數最小的屬性作為最優劃分屬性。
第二部分 編碼實現——基於信息增益準則的決策樹
采用Python作為實現工具，以書籍中的西瓜數據為例，構造一棵“watermelon tree”。這裏，我們構建的是一棵基於信息增益準則的決策樹，比較簡單，適合初學。
1. 算法
此處先略。^_^
2. Python代碼實現
代碼框架參考了部分網絡資源，然後就是悶頭去寫了。本質上都是大同小異，重要的還是抱著學習的心態，去自主實現一下，才能對決策樹有更多的思考。
2.1 數據樣本說明
本案例基於教材《機器學習》P76表4.1 西瓜數據集2.0，嘗試用Python實現決策樹構建。一共17條樣本數據。理論上，建立的樹應該和P78圖4.4一致。
樣本數據截圖如下：
2.2 實現代碼
（一）導入模塊部分
#導入模塊 import pandas as pd import numpy as np from collections import Counter from math import log2
用pandas模塊的read_excel()函數讀取數據文本；用numpy模塊將dataframe轉換為list（列表）；用Counter來完成計數；用math模塊的log2函數計算對數。後邊代碼中會有對應體現。
（二）數據獲取與處理函數
#數據獲取與處理 def getData(filePath): data = pd.read_excel(filePath) return data def dataDeal(data): dataList = np.array(data).tolist() dataSet = [element[1:] for element in dataList] return dataSet
getData()通過pandas模塊中的read_excel()函數讀取樣本數據。嘗試過將數據文件保存為csv格式，但是對於中文的處理不是很好，所以選擇了使用xls格式文件。
dataDeal()函數將dataframe轉換為list，並且去掉了編號列。編號列並不是西瓜的屬性，事實上，如果把它當做屬性，會獲得最大的信息增益。
這兩個函數是完全可以合並為同一個函數的，但是因為我想分別使用data（dataframe結構，帶屬性標簽）和dataSet（list）數據樣本，所以分開寫了兩個函數。
（三）獲取屬性名稱
#獲取屬性名稱 def getLabels(data): labels = list(data.columns)[1:-1] return labels
很簡單，獲取屬性名稱：紋理，色澤，根蒂，敲聲，臍部，觸感。
（四）獲取類別標記
#獲取類別標記 def targetClass(dataSet): classification = set([element[-1] for element in dataSet]) return classification
獲取一個樣本是否好瓜的標記（是與否）。
（五）葉結點標記
#將分支結點標記為葉結點，選擇樣本數最多的類作為類標記 def majorityRule(dataSet): mostKind = Counter([element[-1] for element in dataSet]).most_common(1) majorityKind = mostKind[0][0] return majorityKind
（六）計算信息熵
#計算信息熵 def infoEntropy(dataSet): classColumnCnt = Counter([element[-1] for element in dataSet]) Ent = 0 for symbol in classColumnCnt: p_k = classColumnCnt[symbol]/len(dataSet) Ent = Ent-p_k*log2(p_k) return Ent
（七）子數據集構建
#子數據集構建 def makeAttributeData(dataSet,value,iColumn): attributeData = [] for element in dataSet: if element[iColumn]==value: row = element[:iColumn] row.extend(element[iColumn+1:]) attributeData.append(row) return attributeData
在某一個屬性值下的數據，比如紋理為清晰的數據集。
（八）計算信息增益
#計算信息增益 def infoGain(dataSet,iColumn): Ent = infoEntropy(dataSet) tempGain = 0.0 attribute = set([element[iColumn] for element in dataSet]) for value in attribute: attributeData = makeAttributeData(dataSet,value,iColumn) tempGain = tempGain+len(attributeData)/len(dataSet)*infoEntropy(attributeData) Gain = Ent-tempGain return Gain
（九）選擇最優屬性
#選擇最優屬性 def selectOptimalAttribute(dataSet,labels): bestGain = 0 sequence = 0 for iColumn in range(0,len(labels)):#不計最後的類別列 Gain = infoGain(dataSet,iColumn) if Gain>bestGain: bestGain = Gain sequence = iColumn print(labels[iColumn],Gain) return sequence
（十）建立決策樹
#建立決策樹 def createTree(dataSet,labels): classification = targetClass(dataSet) #獲取類別種類（集合去重） if len(classification) == 1: return list(classification)[0] if len(labels) == 1: return majorityRule(dataSet)#返回樣本種類較多的類別 sequence = selectOptimalAttribute(dataSet,labels) print(labels) optimalAttribute = labels[sequence] del(labels[sequence]) myTree = {optimalAttribute:{}} attribute = set([element[sequence] for element in dataSet]) for value in attribute: print(myTree) print(value) subLabels = labels[:] myTree[optimalAttribute][value] = createTree(makeAttributeData(dataSet,value,sequence),subLabels) return myTree
樹本身並不復雜，采用遞歸的方式實現。
（十一）定義主函數
def main(): filePath = ‘watermelonData.xls‘ data = getData(filePath) dataSet = dataDeal(data) labels = getLabels(data) myTree = createTree(dataSet,labels) return myTree
主函數隨便寫寫了，主要是實現功能。
（十二）生成樹
if __name__ == ‘__main__‘: myTree = main()
3.幾點說明
Python實現並沒有很復雜的東西，只要能很好的理解遞歸在這裏是如何體現的就足夠了。
在構造樹的時候，這裏的樹定義為一個嵌套的字典（dict）結構，樹根對應的屬性是字典最外層的關鍵字，其值是仍一個字典。遞歸就是這樣用下一層返回的樹作為上一層樹某個分支（字典的關鍵字）的值，一層層往下（一棵倒樹）填充，直至遇到葉結點。在定義的構造樹函數中，終止條件（兩個if）是很重要的，決定了遞歸在什麽時候停止，也就是樹在什麽時候停止生長。
生成的樹（字典結構）如下：
一個字典結構的樹是極其不友好的，暫時沒有將其可視化，後續會學習一下。
從結果看，根節點的屬性是紋理。紋理為稍糊的，下一個結點的屬性是觸感，觸感為軟粘的瓜，判斷為好瓜（紋理為稍糊且觸感為軟粘的瓜），觸感為硬滑的瓜，判定為壞瓜（紋理為稍糊且觸感為硬滑的瓜）。紋理為模糊的，直接判定為壞瓜（買瓜的要註意了）；紋理為清晰的情形較為復雜。紋理為清晰的，下一個結點屬性為根蒂，對於根蒂為硬挺的，判斷為壞瓜（紋理為清晰且根蒂為硬挺的瓜），根蒂為蜷縮的，判斷為好瓜（紋理為清晰且根蒂為蜷縮的瓜）。根蒂為稍蜷的，下一個結點的屬性是色澤，對於色澤為青綠的，判斷為好瓜（紋理為清晰，根蒂為稍蜷且色澤為青綠的瓜），對於色澤為烏黑的，下一個結點屬性是觸感，對於觸感為軟粘的，判定為壞瓜（紋理為清晰，根蒂為稍蜷，色澤為烏黑且觸感為軟粘的瓜），對於觸感為硬滑的，判定為好瓜（紋理為清晰，根蒂為稍蜷，色澤為烏黑且觸感為硬滑的瓜）。這裏有一個小的問題，一會兒再說。
先看《機器學習》教材上給出的樹：
我們獲得的結果和書本中的結果基本是一致的，唯一的一個區別是我們缺少一個葉——色澤為淺白的葉。這是因為，樣本數據中不存在紋理為清晰、根蒂為稍蜷且色澤為淺白的瓜，導致在生成樹的時候少了一個葉。這種情況需要特殊處理，比如處理成父類的類別。這裏沒有多做處理，該機制添加進去並不難。
4.寫在最後
熱烈慶祝在帝都正式工作的第100天！（??ヽ(°▽°)ノ?）
（晚上加個班的好處就是可以看看書，做點自己喜歡的事——回家吃飯(#^.^#)）
《機器學習》（周誌華）第4章 決策樹 筆記 理論及實現——“西瓜樹”