分类决策树原理及实现(四)

最新推荐文章于 2025-06-25 17:47:09 发布

xiaocong1990

最新推荐文章于 2025-06-25 17:47:09 发布

阅读量841

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习

本文链接：https://blog.youkuaiyun.com/xiaocong1990/article/details/54646837

机器学习专栏收录该内容

78 篇文章

订阅专栏

四、构造决策树

上一节讲到如何通过计算信息增益来进行特征选择。http://blog.youkuaiyun.com/xiaocong1990/article/details/54646345

那么现在将根据特征选择来构造决策树。

以下表数据为例，学习一个货款申请的决策树

def majorClass(classList):
    """
    返回实例中最多的类
    :param classList: 类列表
    :return: 实例中最多的类
    """
    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]

def createTree(dataSet,labels):
    """
    创建树
    :param dataSet: 数据集
    :param labels: 特征标签
    :return: 树
    """
    classList=[example[-1] for example in dataSet]
    if classList.count(classList[0])==len(classList): #如果所有实例属于同一个类，返回该类
        return classList[0]
    if len(dataSet[0])==1: #如果没有特征可以划分，返回实例数中最多的类
        return majorClass(classList)
    bestFeat=chooseBestFeatureToSplit(dataSet)
    bestFeatLabel=labels[bestFeat]
    myTree={bestFeatLabel:{}}
    del(labels[bestFeat])
    featValues=set([example[bestFeat] for example in dataSet])
    for value in featValues:
        subLabels=labels[:]
        myTree[bestFeatLabel][value]=createTree(splitDataSet(dataSet,bestFeat,value),subLabels)
    return myTree

生成的决策树如下图