目录
一、本文的问题定义和（决策树中）信息熵的回顾
① 本文的问题定义
②（决策树中）信息熵的回顾
二、ID3 决策树的原理及构造
三、ID3 决策树的可视化源码（含构造过程）
四、ID3 决策树可视化的效果及测试结果
① ID3 决策树可视化的效果
② ID3 决策树的文本化结果和用例的测试结果
五、ID3 算法的优缺点
说明：
1、第一节至第三节来源于《机器学习及应用》李克清 时允田主编一书，大约在 57 页的位置。
2、源代码部分是我根据书中原理并参考源码后，自己重写。其中，源代码中的变量的定义对应第二节介绍的原理部分的数学符号，以便于适合对应学习。源代码中的注释是根据自己的理解所写。
3、本文是自己的学习过程的记录，还望读者海涵。如果有幸对大家产生帮助，不胜感激。
一、本文的问题定义和（决策树中）信息熵的回顾
① 本文的问题定义
②（决策树中）信息熵的回顾
（决策树中的）信息熵和样本分类的信息熵计算源代码_白白净净吃了没病的博客-CSDN博客本文包含（决策树）中的信息熵和实现源码，以及极为详细的注释和说明https://angxiao.blog.csdn.net/article/details/127156554
二、ID3 决策树的原理及构造
本文不写任何复杂通用的公式，以书中的例子作为本文的例子，个人觉得能够更通俗易懂：
继续对其他属性逐个计算信息增益，直到不能划分为止。在这个过程，不断找到具有最大信息熵的特征，采用递归思想来构造子树，最终构造出 ID3 的分类决策树。
三、ID3 决策树的可视化源码（含构造过程）
① main.py
from math import log2
# import treePlotter # 导入失败
import help # 新建模块，然后导入
class ID3Tree(object):
def __init__(self, data, cols):
self.all_data = data # 初始化数据集
self.all_cols = cols # 初始化数据集的各个列名（类别名）
self.tree = {} # 初始化ID3决策树
def train(self):
self.tree = self.make_tree(self.all_data, self.all_cols)
def make_tree(self, data, cols):
"""
:param data: 数据集：可能是总集，也可能是子集
:param cols: 列名（特征名）：可能是全列名，也可能是当前数据集去掉最大信息熵特征后的列名集
:return:树
"""
all_label_datas = [item[-1] for item in data] # 所有的标签对应的所有值
# 1、如果这个数据集的全部标签都是一样的，那么没有属性划分的必要，决策树就一个叶子节点（即拿这个标签直接作为决策）
if all_label_datas.count(all_label_datas[0]) == len(all_label_datas):
return all_label_datas[0]
# 2、如果这个数据集中每条数据（默认每条数据的长度和格式都一样）没有任何属性，只有标签
# 我们看哪类标签出现的次数最多，直接拿它作为决策结果，这种情况决策树也就一个叶子结点
elif len(data[0]) == 1:
# 初始化出现的次数
max_num = all_label_datas.count(all_label_datas[0])
# 初始化出现次数最多的标签
max_sort_data = all_label_datas[0]
# set对原列表去重，但不改变原列表
for i in list(set(all_label_datas)):
if all_label_datas.count(all_label_datas[i]) > max_num:
max_num = all_label_datas.count(all_label_datas[i])
max_sort_data = i
return max_sort_data
# 3、正常情况，我们来构建决策树
# *** 选取信息熵最大的属性（特征）***
best_xns_feature_index = self.find_best_xns_feature(data) # 找到香农熵最大的特征的下标
best_feature_label = cols[best_xns_feature_index] # 找到香农熵最大的特征的名称
tree = {best_feature_label: {}} # 构造一个（新的）树结点,一个根节点，大括号是子树
del (cols[best_xns_feature_index]) # 删除数据集中香农熵最大的特征所在的列
# 抽取最大增益的特征对应的列的数据
best_xns_feature_values = [item[best_xns_feature_index] for item in data]
for value in list(set(best_xns_feature_values)):
# 此时的all_data是上次all_data去掉一列特征得到的
sub_cols = cols
sub_data = self.construct_new_dataset(data, best_xns_feature_index, value)
# 递归构造子树
tree[best_feature_label][value] = self.make_tree(sub_data, sub_cols) # 向子树中放入值
return tree
def find_best_xns_feature(self, data):
"""
计算各个特征的香农熵的大小，并返回香农熵最大的特征的下标
:return: 香农熵最大的特征的下标
"""
data_num = len(data) # 数据集中样本的总数
feature_nums = len(data[0]) - 1 # 数据集中所有特征的数量，-1是因为数据中不止有特征，还有标签
I = self.calculate_xns(data) # 数据集（样本标签）的香农熵
best_xns_feature_value = 0 # 初始化香农熵最大的特征的值
best_xns_feature_index = -1 # 初始化香农熵最大的特征的下标
for i in range(feature_nums):
feat_values = [number[i] for number in data] # 得到某个特征列（随机变量）下的所有值
feat_sorts = set(feat_values) # 去重，得到特征的所有无重复的取值
E = 0 # 初始化当前特征的信息熵
# 对当前特征下具有相同特征值的子集，根据正负样本算出信息熵，并乘以prob。在不同特征值下计算完后，进行加和，得到E
for value in feat_sorts:
sub_dataset = self.construct_new_dataset(data, i, value) # 得到i特征下，特征值为value的数据，去除特征i构成的集合
prob = len(sub_dataset) / float(data_num) # 特征i的值为value的数据所占的比例
E += prob * self.calculate_xns(sub_dataset)
# 用 I 减去 E，得到当前特征的信息增益gain
gain = I - E # 当前i特征的信息增益
# 保留最大的信息熵及其对应的特征索引
if gain > best_xns_feature_value:
best_xns_feature_value = gain
best_xns_feature_index = i
return best_xns_feature_index # 返回最大信息增益的特征的下标
def construct_new_dataset(self, data, axis, value):
"""
从数据集的某个特征中，选取值为某个特征值的数据，并去掉此特征，然后将这类数据构成新的数据集
比如，在性别这个特征中，把特征值是男的数据抽出来，然后把这些数据的性别列去掉，构成数据集
:param data:数据集
:param axis:数据集中某个特征在数据中的索引
:param value:此特征下的一个特征值
:return:数据集中特征值是给定特征值的数据构成的子集
"""
remain_dataset = []
for item in data: # 数据集中的每条数据
if item[axis] == value: # 如果这条数据的特征等于给定的某个特征值时
# 把此条数据去掉这个特征列，重构此条数据
remain_data = item[:axis]
remain_data.extend(item[axis + 1:])
remain_dataset.append(remain_data) # 将重构后的数据加入列表中
return remain_dataset
def calculate_xns(self, data):
"""
计算给定数据集的香农熵（信息熵）
:return:数据集的香农熵
"""
xns = 0.0 # 香农熵
data_num = len(data) # 样本集的总数，用于计算分类标签出现的概率
# 将数据集样本标签的特征值（分类值）放入列表
all_labels = [c[-1] for c in data] # c[-1]：即取数据集中的每条数据的标签：Yes 或 No
# print(all_labels) # 得到 [Yes,No,No,...] 的结果
# 按标签的种类进行统计，Yes这一类几个；No这一类几个
every_label = {} # 以词典形式存储每个类别（键）及个数（值）
for item in list(set(all_labels)): # 对每个类别计数，并放入词典, 其中set(all_labels) = [Yes,No]
every_label[item] = all_labels.count(item)
# 计算样本标签的香农熵，即数据集的香农熵
for item2 in every_label:
prob = every_label[item2] / float(data_num) # 每个特征值出现的概率
xns -= prob * log2(prob) # xns是全局变量，这样就可以计算关于决策的要考虑的某个随机变量（如收入特征）的香农熵
return xns
if __name__ == "__main__":
dataset = [['sunny', 'hot', 'high', 'weak', 'NO'],
['sunny', 'hot', 'high', 'strong', 'NO'],
['overcast', 'hot', 'high', 'weak', 'YES'],
['rain', 'mild', 'high', 'weak', 'YES'],
['rain', 'cool', 'normal', 'weak', 'YES'],
['rain', 'cool', 'normal', 'strong', 'NO'],
['overcast', 'cool', 'normal', 'strong', 'YES'],
['sunny', 'mild', 'high', 'weak', 'NO'],
['sunny', 'cool', 'normal', 'weak', 'YES'],
['rain', 'mild', 'normal', 'weak', 'YES'],
['sunny', 'mild', 'normal', 'strong', 'YES'],
['overcast', 'mild', 'high', 'strong', 'YES'],
['overcast', 'hot', 'normal', 'weak', 'YES'],
['rain', 'mild', 'high', 'strong', 'NO']]
# 前四列的名字（特征列）分别为天气、温度、湿度、风速
labels = ['Outlook', 'Temp', 'Humidity', 'Windy']
id3 = ID3Tree(dataset, labels) # 实例化决策树对象
id3.train()
print(id3.tree) # 输出决策树
# treeplotter.createPlot(id3.tree) # 因treePlotter不能直接导入，这里会报错
help.createPlot(id3.tree) # 可视化决策树
# 给定新一天的气象数据指标，根据决策树，来判断是否会去打球
def predict_play(tree, new_dic):
"""
根据构造的决策树，对未知数据进行预测
:param tree: 决策树（根据已知数据构造的）
:param new_dic: 一条待预测的数据
:return:返回叶子节点，也就是最终的决策
"""
while type(tree).__name__ == "dict":
key = list(tree.keys())[0]
tree = tree[key][new_dic[key]]
return tree
# 输出决策结果
print(predict_play(id3.tree, {'Outlook': 'rain', 'Temp': 'mild', 'Humidity': 'high', 'Windy': 'weak'}))
② help.py
由于 treePlotter这个模块一直导入失败，目前未知原因。因此使用并在 main.py 中导入以下这个模块，用于构建 ID3 决策树。
import matplotlib.pyplot as plt
"""绘决策树的函数"""
decisionNode = dict(boxstyle="sawtooth", fc="0.8") # 定义分支点的样式
leafNode = dict(boxstyle="round4", fc="0.8") # 定义叶节点的样式
arrow_args = dict(arrowstyle="<-") # 定义箭头标识样式
# 计算树的叶子节点数量
def getNumLeafs(myTree):
numLeafs = 0
firstStr = list(myTree.keys())[0]
secondDict = myTree[firstStr]
for key in secondDict.keys():
if type(secondDict[key]).__name__ == 'dict':
numLeafs += getNumLeafs(secondDict[key])
else:
numLeafs += 1
return numLeafs
# 计算树的最大深度
def getTreeDepth(myTree):
maxDepth = 0
firstStr = list(myTree.keys())[0]
secondDict = myTree[firstStr]
for key in secondDict.keys():
if type(secondDict[key]).__name__ == 'dict':
thisDepth = 1 + getTreeDepth(secondDict[key])
else:
thisDepth = 1
if thisDepth > maxDepth:
maxDepth = thisDepth
return maxDepth
# 画出节点
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)
# 标箭头上的文字
def plotMidText(cntrPt, parentPt, txtString):
lens = len(txtString)
xMid = (parentPt[0] + cntrPt[0]) / 2.0 - lens * 0.002
yMid = (parentPt[1] + cntrPt[1]) / 2.0
createPlot.ax1.text(xMid, yMid, txtString)
def plotTree(myTree, parentPt, nodeTxt):
numLeafs = getNumLeafs(myTree)
depth = getTreeDepth(myTree)
firstStr = list(myTree.keys())[0]
cntrPt = (plotTree.x0ff + \
(1.0 + float(numLeafs)) / 2.0 / plotTree.totalW, plotTree.y0ff)
plotMidText(cntrPt, parentPt, nodeTxt)
plotNode(firstStr, cntrPt, parentPt, decisionNode)
secondDict = myTree[firstStr]
plotTree.y0ff = plotTree.y0ff - 1.0 / plotTree.totalD
for key in secondDict.keys():
if type(secondDict[key]).__name__ == 'dict':
plotTree(secondDict[key], cntrPt, str(key))
else:
plotTree.x0ff = plotTree.x0ff + 1.0 / plotTree.totalW
plotNode(secondDict[key], (plotTree.x0ff, plotTree.y0ff), cntrPt, leafNode)
plotMidText((plotTree.x0ff, plotTree.y0ff), cntrPt, str(key))
plotTree.y0ff = plotTree.y0ff + 1.0 / plotTree.totalD
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.x0ff = -0.5 / plotTree.totalW
plotTree.y0ff = 1.0
plotTree(inTree, (0.5, 1.0), '')
plt.show()
四、ID3 决策树可视化的效果及测试结果
① ID3 决策树可视化的效果
② ID3 决策树的文本化结果和用例的测试结果
五、ID3 算法的优缺点
ID3 算法是决策树的经典构建算法，它根据信息增益来评估和选择特征进行划分，每次选择信息增益最大的特征作为判断的模块（即特征节点），可用于划分标称型数据集（即数据中没有缺省特征值的数据集），虽然 ID3 比较灵活方便，但是有以下几个缺点：
（1）采用信息增益进行分裂，缺少剪枝的过程，很可能会出现过拟合的问题。我们可以合并相邻的无法产生大量信息增益的叶子结点（如设置信息增益阈值）。
（2）信息增益和属性的值域范围成正比，也就是有些特征（属性）取值很多，ID3算法很大可能将其作为分裂属性，导致分裂的精确度可能没有采用信息增益率进行分裂高。
（3）不能处理连续分布的数据特征，只能通过将连续性数据转化为离散型数据来解决，也不能处理数据集中的缺省值。