【机器学习原理】决策树从原理到实践

基于树的模型是机器学习中非常重要的一类模型,最基础的就是决策树,本篇主要讲述决策树的原理和几类最常见的决策树算法,这也是更复杂的树模型算法的基础。

参考文章:
1.CSDN-基于熵的两个模型(ID3,C4.5)比较详细,有数字例子

2.腾讯云-基于基尼指数的模型(CART)比较详细,有数字例子

3.知乎-在CART剪枝这里比较详细

文章目录

  • 1.原理
    • 1.1.基于熵
      • 1.1.1.熵
      • 1.1.2.条件熵
      • 1.1.3.熵的意义
      • 1.1.4.ID3
      • 1.1.5.C4.5
    • 1.2.基于基尼指数
      • 1.2.1.基尼指数
      • 1.2.2.CART分类
      • 1.2.3.CART回归
    • 1.3.连续数据
    • 1.4.剪枝
  • 2.代码

1.原理

首先给出集中集中常见决策树算法的对比:
在这里插入图片描述
下面展开叙述。

1.1.基于熵

1.1.1.熵

熵最常用在信息学里面,是一种表示不确定性的度量
假设对于随机变量 X X X存在分布 P ( X = x i ) = p i , i = 1 , 2 , . . . , n P(X=x_i)=p_i,i=1,2,...,n P(X=xi)=pii=1,2,...,n,此时定义熵:
H ( X ) = H ( p ) = − ∑ i = 1 n p i l o g a p i H(X)=H(p)=-∑_{i=1}^{n}p_ilog_ap_i H(X)=H(p)=i=1npilogapi其中, H ( X ) = H ( p ) H(X)=H(p) H(X)=H(p)是因为结果只和分布有关,对于 l o g log log的底 a a a,可以为 2 , e . . . 2,e... 2,e...

a ≥ 1 a≥1 a1,存在等式:
0 ≤ H ( x ) ≤ l o g a n 0≤H(x)≤log_an 0H(x)logan左显然成立(和 a a a无关),因为 p i ≤ 1 p_i≤1 pi1,那么 − l o g a p i ≥ 0 -log_ap_i≥0 logapi0,求和后依然成立。

右边的根据博客的说法:

熵越大代表随机变量的不确定性越大,当变量可取值的种类一定时,其取每种值的概率分布越平均,其熵值越大。

也就是分布非常平均,此时每个都是 1 n l o g a n \frac{1}{n}log_an n1logan,此时取得最大熵 l o g a n log_an logan(也就是不确定性最大,通俗理解也就是没给出任何信息,因为本身 n n n件事的先验分布就是均匀分布)。

下面是补充的一些概念

  • 若 p=0 ,则定义 0log⁡0=0 。
  • 对数以 2 为底熵的单位为比特(bit)
  • 对数以 e 为底熵的单位为纳特(nat)

1.1.2.条件熵

条件熵表示在已知 X X X的条件下对 Y Y Y不确定性的度量。首先假设 X , Y X,Y X,Y的联合分布为:$​
P ( X = x i , Y = y j ) = p i j , i = 1 , 2 , . . . , n , j = 1 , 2 , . . . , m P(X=x_i,Y=y_j)=p_{ij},i=1,2,...,n,j=1,2,...,m P(X=xi,Y=yj)=pij,i=1,2,...,nj=1,2,...,m那么 Y Y Y关于 X X X的条件熵 H ( Y ∣ X ) H(Y|X) H(YX)就是:
H ( Y ∣ X = x i ) = ∑ i = 1 n P ( X = x i ) H ( Y ∣ X = x i ) = ∑ i = 1 n P ( X = x i ) ∑ j = 1 m − P ( Y = y j ∣ X = x i ) l o g P ( Y = y j ∣ X = x i ) H(Y|X=x_i)=∑_{i=1}^{n}P(X=x_i)H(Y|X=x_i)\\ =∑_{i=1}^{n}P(X=x_i)∑_{j=1}^{m}-P(Y=y_j|X=x_i)logP(Y=y_j|X=x_i) H(YX=xi)=i=1nP(X=xi)H(YX=xi)=i=1nP(X=xi)j=1mP(Y=yjX=xi)logP(Y=yjX=xi)(省略掉了 l o g log log的底 a a a

1.1.3.熵的意义

前面讲了熵和条件熵的计算,在这里结合一个实例来记录熵的意义。

比如有下面这个关于贷款统计的统计表:

那么假如要计算类别的熵,在一开始没分类的情况下, H ( D ) H(D) H(D)的计算如下:
H ( D ) = − ( 6 15 l o g 6 15 + 9 15 l o g 9 15 ) = 0.971 H(D)=-(\frac{6}{15}log\frac{6}{15}+\frac{9}{15}log\frac{9}{15})=0.971 H(D)=(156log156+159log159)=0.971这就是一开始的不确定性为0.971,而分类的目标就是利用相应的特征,使得为是和为否的样本在不同的子集中,可以想象,加入类别全是为是,那么此时 H ( D ) = 1 l o g 1 = 0 H(D)=1log1=0 H(D)=1log1=0,这也就消除了全部的不确定性。

为了达到分成不同子集的目标,引入了条件熵,而分类的依据被称作特征,对应了条件熵中的 X X X,假设现在根据年龄来划分,年龄对应了青年、中年和老年,分别计算对应的条件熵 H ( D ∣ X ) H(D|X) H(DX),设青年、中年和老年分别为 x 1 、 x 2 、 x 3 x_1、x_2、x_3 x1x2x3
H ( D ∣ X = x 1 ) = P ( X = x i ) H ( D ∣ X = x 1 ) = 5 15 ( − 2 5 l o g 2 5 − 3 5 l o g 3 5 ) + 5 15 ( − 3 5 l o g 3 5 − 2 5 l o g 2 5 ) + 5 15 ( − 4 5 l o g 4 5 − 1 5 l o g 1 5 ) = 0.888 H(D|X=x_1)=P(X=x_i)H(D|X=x_1)\\ =\frac{5}{15}(-\frac{2}{5}log\frac{2}{5}-\frac{3}{5}log\frac{3}{5})+\frac{5}{15}(-\frac{3}{5}log\frac{3}{5}-\frac{2}{5}log\frac{2}{5})+\frac{5}{15}(-\frac{4}{5}log\frac{4}{5}-\frac{1}{5}log\frac{1}{5})\\ =0.888 H(DX=x1)=P(X=xi)H(DX=x1)=155(52log5253log53)+155(53log5352log52)+155(54log5451log51)=0.888也就是特征 X X X的引入,使得分类结果的不确定性从 H ( D ) = 0.971 H(D)=0.971 H(D)=0.971变为了 H ( D ∣ X ) = 0.888 H(D|X)=0.888 H(DX)=0.888,这也就说明分类结果变得更加确定,通过不断加入特征,减少分类结果的熵,从而得到正确的分类器。

1.1.4.ID3

ID3是一种基于信息增益的分割方式,信息增益定义为 g ( Y ∣ X ) g(Y|X) g(YX),如下:
g ( Y ∣ X ) = H ( Y ) − H ( Y ∣ X ) g(Y|X)=H(Y)-H(Y|X) g(YX)=H(Y)H(YX)每次选择信息增益减少最多的进行分裂。但是这样会导致一个结果,假设有一个类别有很多种类,比如15个样本有15个种类,那么分类器就会分出15个类别,这样可以将每个类别的熵减少到0,完全确定,但是显然这个分类器深度过浅且过于庞大,不利于模型的泛化,此时可以设定 α α α,对小于增益小于阈值的进行剪枝。

1.1.5.C4.5

C4.5主要为了改善上面提到的单特征多类别的问题,定义信息增益比,记为 g R ( Y ∣ X ) g_R(Y|X) gR(YX),如下:
g R ( Y ∣ X ) = H ( Y ) − H ( Y ∣ X ) H ( Y ) g_R(Y|X)=\frac{H(Y)-H(Y|X)}{H(Y)} gR(YX)=H(Y)H(Y)H(YX)此时如果 Y Y Y的类别很多,那么其熵 H ( Y ) H(Y) H(Y)就会增大,那么此时信息增益比就会变小,那么就不会有限选择这样的特征进行分裂。

ID3和C4.5生成的都是多叉树分类器,基于熵的算法只能用于分类任务,不能用于回归任务。

1.2.基于基尼指数

1.2.1.基尼指数

在分类问题中,假设存在 n n n种类别,每个类别为 x i x_i xi,存在概率分布:
P ( X = x i ) = p i , i = 1 , 2 , 3 , . . . , n P(X=x_i)=p_i,i=1,2,3,...,n P(X=xi)=pi,i=1,2,3,...,n将基尼指数记为 G i n i ( p ) Gini(p) Gini(p),如下:
G i n i ( p ) = ∑ i = 1 n p i ( 1 − p i ) = 1 − ∑ i = 1 n p i 2 Gini(p)=∑_{i=1}^{n}p_i(1-p_i)=1-∑_{i=1}^{n}p_i^2 Gini(p)=i=1npi(1pi)=1i=1npi2可以发现,假如此时存在一个类别,那么 p i = 1 p_i=1 pi=1,此时基尼指数为0,确定性最强;要是有两个类别,概率平均分配,那么 G i n i = 1 − 0. 5 2 − 0. 5 2 = 0.5 Gini=1-0.5^2-0.5^2=0.5 Gini=10.520.52=0.5,这和熵类似,都是不确定性的度量,被称为纯度,Gini越小,纯度越高。

1.2.2.CART分类

下面是关于使用 G i n i Gini Gini指数进行分类。

CART分类树的生成基于 G i n i Gini Gini指数。

假设当前分裂的集合 D D D中包含 K K K个样本,每次选择一个特征的一个值 A A A,将样本分为是该值/不是该值的两部分,记为 D 1 / D 2 D_1/D_2 D1/D2,计算该特征对应的基尼指数:
G i n i ( D , A ) = ∣ D 1 ∣ ∣ D ∣ G i n i ( D 1 ) + ∣ D 2 ∣ ∣ D ∣ G i n i ( D 2 ) Gini(D,A)=\frac{|D_1|}{|D|}Gini(D_1)+\frac{|D_2|}{|D|}Gini(D_2) Gini(D,A)=DD1Gini(D1)+DD2Gini(D2)其中 ∣ D ∣ |D| D表示样本集的数量。

下面以一个例子来说明,还是上面的贷款数据集,假设现在要计算年龄特征,年龄特征分别是青年、中年、老年,分别记为 A 1 , A 3 , A 3 A_1,A_3,A_3 A1,A3,A3,先计算 G i n i ( D , A 1 ) Gini(D,A_1) Gini(D,A1),此时 D 1 D_1 D1对应青年的样本,有5个, D 2 D_2 D2对应不为青年的样本,有10个。

计算如下:
G i n i ( D 1 ) = 2 5 ( 1 − 2 5 ) + 3 5 ( 1 − 3 5 ) G i n i ( D 2 ) = 7 10 ( 1 − 7 10 ) + 3 10 ( 1 − 3 10 ) G i n i ( D , A 1 ) = ∣ D 1 ∣ ∣ D ∣ G i n i ( D 1 ) + ∣ D 2 ∣ ∣ D ∣ G i n i ( D 2 ) = 5 15 G i n i ( D 1 ) + 10 15 G i n i ( D 2 ) Gini(D_1)=\frac{2}{5}(1-\frac{2}{5})+\frac{3}{5}(1-\frac{3}{5})\\ Gini(D_2)=\frac{7}{10}(1-\frac{7}{10})+\frac{3}{10}(1-\frac{3}{10})\\ Gini(D,A1)=\frac{|D_1|}{|D|}Gini(D_1)+\frac{|D_2|}{|D|}Gini(D_2)=\frac{5}{15}Gini(D_1)+\frac{10}{15}Gini(D_2) Gini(D1)=52(152)+53(153)Gini(D2)=107(1107)+103(1103)Gini(D,A1)=DD1Gini(D1)+DD2Gini(D2)=155Gini(D1)+1510Gini(D2)每个 G i n i ( D i ) Gini(D_i) Gini(Di)都是在计算分类节点内样本所有类别(比如贷款/不贷款或者还有更多类别)对应的和。

在找出 G i n i Gini Gini指数最小的那个分裂点之后,将其作为最优切分点,继续分裂,对于 G i n i Gini Gini指数已经为0的,这样的样本已经很纯(内部只有一个类别),因此无需继续分裂。

这样不断迭代,算法停止计算的条通常是节点中的样本点个数小于设定阈值,或样本集合的基尼不纯度小于设定阈值,亦或是没有更多特征,这一点同ID3和C4.5算法的停止条件类似。

1.2.3.CART回归

上面的是分类的做法,不同于基于熵的做法,基于 G i n i Gini Gini指数的CART算法可以用于回归任务

回归任务一般的目标就是和标签值越越接近越好。跟线性回归类似,CART的损失函数如下:
L ( y , y ^ ) = ∑ i = 1 n ( y i − y ^ i ) 2 L(y,\hat{y})=∑_{i=1}^{n}(y_i-\hat{y}_i)^2 L(y,y^)=i=1n(yiy^i)2CART用于回归的思想:不断把区间按照一定的规则一分为二,给切分后的区间分别置为最优输出值,计算出每种切分方式的损失,选出损失最少的规则进行切分,然后对残差继续切分,不断迭代。

表达式如下:
min ⁡ j , s ( ∑ i = 1 s ( y i − C 1 ) 2 + ∑ i = s + 1 n ( y i − C 2 ) 2 ) \min\limits_{j,s}(∑_{i=1}^{s}(y_i-C_1)^2+∑_{i=s+1}^{n}(y_i-C_2)^2) j,smin(i=1s(yiC1)2+i=s+1n(yiC2)2)其中 j , s j,s j,s表示第 j j j个变量的分裂点 s s s(因为是一分为二,所有有个分裂点),分为两个集合 R 1 , R 2 R_1,R_2 R1,R2 C 1 , C 2 C_1,C_2 C1,C2分别是 R 1 , R 2 R_1,R_2 R1,R2的最优取值,也就是位于这个集合之内的值都是这个,可以是对应集合所有值的均值。

下面举个例子:

比如有一个回归任务如下:

x x x12345678910
y y y5.565.705.916.406.807.058.708.909.009.05

首先先确定分割点,定义为 z = ( x i + x i + 1 ) / 2 , i = 1 , 2 , . . . , 9 z=(x_i+x_{i+1})/2,i=1,2,...,9 z=(xi+xi+1)/2,i=1,2,...,9,也就是 1.5 , 2.5 , . . . 9.5 1.5,2.5,...9.5 1.5,2.5,...9.5,取其中一个值,那么 x x x就被分为两个部分,分别是 1 − − i n t ( z ) 1--int(z) 1int(z) i n t ( z ) + 1 − − 10 int(z)+1--10 int(z)+110

比如对于 z = 1.5 z=1.5 z=1.5,此时两个集合分别对应 R 1 = { x ∣ 1 } R_1={\{x|1\}} R1={x∣1} R 2 = { x ∣ 2 , 3 , . . . , 9 } R_2={\{x|2,3,...,9\}} R2={x∣2,3,...,9},均值分别为 5.56 , 7.50 5.56,7.50 5.56,7.50,这也就对应了 C 1 , C 2 C_1,C_2 C1,C2,代入公式计算损失:

( ∑ i = 1 s ( y i − C 1 ) 2 + ∑ i = s + 1 n ( y i − C 2 ) 2 ) = ( ∑ i = 1 1 ( y i − 5.56 ) 2 + ∑ i = 2 10 ( y i − 7.50 ) 2 ) = 15.72 (∑_{i=1}^{s}(y_i-C_1)^2+∑_{i=s+1}^{n}(y_i-C_2)^2)\\ =(∑_{i=1}^{1}(y_i-5.56)^2+∑_{i=2}^{10}(y_i-7.50)^2)=15.72 (i=1s(yiC1)2+i=s+1n(yiC2)2)=(i=11(yi5.56)2+i=210(yi7.50)2)=15.72同理,可以计算其他所有分割方式的损失,得到:

可以看到等于6.5的时候得到了最小的损失,因此将6.5作为第一个分割点,得到如下分割规则:
f ( x ) = T 1 ( x ) = { 6.24 , x ≤ 6.5 8.91 , x > 6.5 f(x)=T_{1}(x)=\left\{ \begin{array}{cc} 6.24,x ≤ 6.5 \\ 8.91,x>6.5 \end{array} \right. f(x)=T1(x)={6.24,x6.58.91,x6.5(这里的 6.24 6.24 6.24 1 − 6 1-6 16的均值, 8.91 8.91 8.91 7 − 10 7-10 710的均值)

由此规则可以计算出所有点的残差

此时按照上面的规则再对残差进行分割,得到在3.5的时候有最小的损失,即
T 2 ( x ) = { − 0.52 , x ≤ 3.5 0.22 , x > 3.5 T_{2}(x)=\left\{ \begin{array}{cc} -0.52,x ≤ 3.5 \\ 0.22,x>3.5 \end{array} \right. T2(x)={0.52,x3.50.22,x3.5 T 2 T_2 T2 T 1 T_1 T1进行叠加,得到新的分类结果:
f ( x ) = { 5.72 , x ≤ 3.5 6.46 , 3.5 < x ≤ 6.5 9.13 , x > 6.5 f(x)=\left\{ \begin{array}{cc} 5.72,\;x ≤ 3.5 \\ 6.46,\;3.5<x≤6.5\\ 9.13,\;x>6.5 \end{array} \right. f(x)= 5.72,x3.56.46,3.5x6.59.13,x6.5其中这里的 5.72 = 6.24 − 0.52 5.72=6.24-0.52 5.72=6.240.52,下面的同理,就是跟前面的叠加。

重复这样的过程,就可以得到回归树。

1.3.连续数据

离散化

前面讲的分类都是离散数据,但是实际情况中存在连续数据,那么和前面CART的回归类似,先将序列排序,然后计算 z z z序列, z z z序列为相邻两值的均值,然后形成 n − 1 n-1 n1个分裂点,这就可以看做前面的若干类别,那么就跟离散变量是一致的了。(取小于该值和大于该值的作为两个集合,相当于两个类别)

1.4.剪枝

下面是关于剪枝的部分,因为树模型不断的分裂,很有可能形成一个很复杂的分类树,那么就需要对模型进行剪枝,下面是一种剪枝方式。

下面提出误差率的概念,误差率表示预测错误的占总数的比例,定义为
C ( t ) = n u m e r r n u m C(t)=\frac{num_{err}}{num} C(t)=numnumerr其中, t t t为某决策树, n u m e r r num_{err} numerr表示该决策树在训练集上预测错误的数量(数量最大的为预测类别,和标答不一样的都是预测错误的), n u m num num表示样本总数。

在剪枝的过程中,将损失函数变形为:
C a ( T ) = C ( T ) + a ∣ T ∣ C_a(T)=C(T)+a|T| Ca(T)=C(T)+aT其中 ∣ T ∣ |T| T表示叶子结点的个数, a a a是一个系数,需要计算得到。这个表达式本质就是在计算对一个节点(只关注这一个节点)进行分裂之后,每多一个叶子,多一个惩罚项 a a a

可以看到,若 a = 0 a=0 a=0,那么就是原来的损失函数,因为分裂的越多,准确率也越高,那么最终一定会倾向于有很多叶子结点;若 a − > + ∞ a->+∞ a>+,此时一旦分裂,就会有很大的惩罚项,那么就倾向于不分裂。这个中间存在一个值 a ∗ a^* a使得:
C a ( t ) = C ( t ) + a ∗ C a ( T t ) = C ( T t ) + a ∗ ∣ T ∣ C a ( t ) = C a ( T t ) C_a(t)=C(t)+a^*\\ C_a(T_t)=C(T_t)+a^*|T|\\ C_a(t)=C_a(T_t) Ca(t)=C(t)+aCa(Tt)=C(Tt)+aTCa(t)=Ca(Tt)其中 t t t为剪枝后的决策树(只有一个叶子结点,所以是 a ∗ a^* a), T t T_t Tt为剪枝前的决策树(有 ∣ T ∣ |T| T个叶子节点), C a C_a Ca为其对应在训练集的误差率。

这几个式子表明存在一个值 a ∗ a^* a使得分裂前和分裂后的误差函数相同,联立可解 a ∗ a^* a
a ∗ = C ( t ) − C ( T t ) ∣ T ∣ − 1 a^*=\frac{C(t)-C(T_t)}{|T|-1} a=T1C(t)C(Tt)对于每个非根节点且非叶子的节点,都计算这个值 a ∗ a^* a,形成一个序列,选出最小的那个进行剪枝。

为什么选最小的, a ∗ a^* a对应的剪枝前后的树的损失函数是一样的,由上面的 a ∗ a^* a的计算式子,如果 a ∗ a^* a比较小,因为 C ( T t ) C(T_t) C(Tt)是一样的(剪枝前大家都一样),那么要么是 C ( t ) C(t) C(t)比较小(剪枝后误差比较小),要么是 ∣ T ∣ |T| T比较大(剪枝前叶子比较多),这两种情况都应该把节点给剪枝

对于每个节点,计算剪枝前后误差率之差(也就是节点误差率-叶子误差率之和),选出误差率最小的,然后剪枝。

这是一个具体过程,也就是计算a的过程,就不详细展开了。(但是个人感觉计算有点冗余)

2.代码

下面是代码实现的部分,写了一个基于CART的分类树,使用的样本就是上面提到的贷款数据,数据如下图:
在这里插入图片描述
是一个.txt文档,运行后得到了分类的结果,最终分类的几个集合都只有一个类别,也就是根据这些分类规则,可以完全将数据分开。
在这里插入图片描述
完整代码

# 基于CART的决策分类树复现(离散)
import collections
import queue
import numpy as np
from matplotlib import pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = Falsedef load_data():with open('static/data.txt', mode='r', encoding='utf-8') as f:data=f.read().split('\n')title=data[0].split(' ')x=[]y=[]for i in range(1,len(data)):xy = data[i].split(' ')x.append(xy[:-1])y.append(xy[-1]) # 最后一个是标签x = np.array(x)y = np.array(y)return title,x,yclass Node():def __init__(self,node_id=0,deep=0,id_list=None,nxt_list=None,split=True):self.node_id=node_idself.deep = deepif id_list is not None:self.id_list = np.array(id_list,dtype=int)  # 当前节点的索引集合else:self.id_list=[]if nxt_list is not None:self.nxt_list = np.array(nxt_list)  # 当前节点的索引集合else:self.nxt_list=np.array([])self.split=split # 是否需要继续分裂class CART():def fit(self,x,y,gini_thresh=0.1):samples = x.shape[0]features = x.shape[1]root = Node(node_id=0,deep=1,id_list=np.arange(samples),nxt_list=[],split=True)# 先统计y的相关信息y_cag = collections.Counter(y)# print('标签统计信息:',y_cag)# label_list = list(y_cag.keys()) # y的所有类别tree = [root] # 存储最终的树q = queue.Queue() # 产生一个队列q.put(root)split_cnt = 0 # 记录分裂次数while not q.empty(): # 取出一个节点node = q.get() # 移除并返回数据id_list = node.id_list # 得到当前集合的所有idlabel_num = collections.Counter(y[id_list]) # 当前集合样本的所有对应标签的样本数num_all = id_list.size # 单管集合的所有数据min_gini = [0,None,0x3f3f3f3f,[],None] # 记录当前集合feature索引和特征名称(分裂信息),以及对应的gini指数,还有集合idfor i in range(features): # 对于每个feature选择# 求出所有特征类别和对应的idfeat_dict = {}# 这个地方有问题(不应该统计所有样本,而是当前对应的,应该可以在上面的id循环里面统计掉)for idx in id_list:if x[idx,i] not in feat_dict.keys():feat_dict[x[idx,i]]=[] # 当前id(索引)feat_dict[x[idx, i]].append(idx)# 下面枚举将当前特征特征的每个取值作为分割点for type in feat_dict.keys(): # type作为分割点(统计分割点内的个样本匹配数量)res = {}for idx in feat_dict[type]:if y[idx] not in res:res[y[idx]]=0res[y[idx]]+=1# 根据统计出的数量已经可以计算基尼系数 gini=1-∑p^2num = len(feat_dict[type]) # 得到数量(为是的)gini_D1 = 1for key in res.keys():gini_D1-=(res[key]/num)**2gini_D2 = 1if num_all!=num:for key in label_num.keys(): # 利用集合总数来推算为否的集合ginisub = 0 # 要减去的样本(在集合D1的)if key in res.keys():sub = res[key]gini_D2-=((label_num[key]-sub)/(num_all-num))**2gini = (num/num_all)*gini_D1+((num_all-num)/num_all)*gini_D2if gini<min_gini[2]:min_gini[0]=imin_gini[1] = type # 第i个特征的类别typemin_gini[2]=ginimin_gini[3] = feat_dict[type] # 记录idmin_gini[4]= (gini_D1,gini_D2) # 记录两个集合的gini决定是否继续分裂# 找到最小的gini进行分裂split_cnt+=1# print('总样本集:',id_list)print('第 %d 次分裂,根据第 %d 个特征的 %s 类别'%(split_cnt,min_gini[0],min_gini[1]))id_D1 = min_gini[3]id_D2 = []# print(id_list)for id in id_list:if id not in id_D1:id_D2.append(id)# 生成两个节点id1 = len(tree)id2 = len(tree)+1 # 即将插入的两个节点的id(也就是在tree中的索引)tree[node.node_id].nxt_list=[id1,id2]node1 = Node(node_id=id1,deep=node.deep+1,id_list=id_D1,nxt_list=[])node2 = Node(node_id=id2,deep=node.deep+1,id_list=id_D2,nxt_list=[])# 判断是否需要继续分裂(纯度,纯度也就是如果都是一个类别为0就不分裂,还有个用阈值计算,懒得算了)if min_gini[4][0]<gini_thresh:node1.split=False # 无需分裂else:q.put(node1)if min_gini[4][1]<gini_thresh:node2.split=False # 无需分裂else:q.put(node2)tree.append(node1)tree.append(node2)# print(tree)self.tree  = treedef printTree(self):tree = self.treeprint('----------- CART -----------')print('()中表示深度,根节点为1')for subtree in tree:if subtree.split:print('(%d)'%(subtree.deep),subtree.id_list, end='')print(' -> ',end='')node1 = tree[subtree.nxt_list[0]]print('(%d)'%(node1.deep),node1.id_list,end=' + ')node2 = tree[subtree.nxt_list[1]]print('(%d)'%(node2.deep),node2.id_list)print('----------------------------')if __name__ == '__main__':title,x,y = load_data()print('********* 特征 *********')for i in range(len(title)):print(i+1,title[i])print('***********************')dct_cart = CART()dct_cart.fit(x,y)dct_cart.printTree()

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/319167.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

富文本编辑器 iOS

https://gitee.com/klkxxy/WGEditor-mobile#wgeditor-mobile 采用iOS系统浏览器做的一款富文本编辑器工具。 原理就是使用WKWebView加载一个本地的一个html文件&#xff0c;从而达到编辑器功能的效果&#xff01; 由于浏览器的一些特性等&#xff0c;富文本编辑器手机端很难做…

零基础学习数据库SQL语句之查询表中数据的DQL语句

是用来查询数据库表的记录的语句 在SQL语句中占有90%以上 也是最为复杂的操作 最为繁琐的操作 DQL语句很重要很重要 初始化数据库和表 USE dduo;create table tb_emp(id int unsigned primary key auto_increment comment ID,username varchar(20) not null unique comment…

打工人必备的定时自动化神器

作为打工人&#xff0c;时间管理是一个很重要的观念。面对繁杂的事务&#xff0c;往往会造成某些事情忘记的情况 今天苏音看到一款自动化的任务神器&#xff0c;据说可以实现一键自动定时&#xff0c;并且还支持语音报时和定时任务执行 让我们一起来看看吧。 软件名字——ZT…

【leetcode】数组和相关题目总结

1. 两数之和 直接利用hashmap存储值和对于索引&#xff0c;利用target-nums[i]去哈希表里找对应数值。返回下标。 class Solution { public:vector<int> twoSum(vector<int>& nums, int target) {unordered_map<int, int> mp;vector<int> res;fo…

深入理解 Java 并发:AbstractQueuedSynchronizer 源码分析

序言 在多线程编程中&#xff0c;同步机制是保障线程安全和协调线程之间操作顺序的重要手段。AQS 作为 Java 中同步机制的基础框架&#xff0c;为开发者提供了一个灵活且高效的同步工具。本文将通过对 AQS 源码的分析&#xff0c;解读 AQS 的核心实现原理&#xff0c;并深入探…

web3风格的网页怎么设计?分享几个,找找感觉。

web3风格的网站是指基于区块链技术和去中心化理念的网站设计风格。这种设计风格强调开放性、透明性和用户自治&#xff0c;体现了Web3的核心价值观。 以下是一些常见的Web3风格网站设计元素&#xff1a; 去中心化标志&#xff1a;在网站的设计中使用去中心化的标志&#xff0…

ElasticSearch教程入门到精通——第二部分(基于ELK技术栈elasticsearch 7.x新特性)

ElasticSearch教程入门到精通——第二部分&#xff08;基于ELK技术栈elasticsearch 7.x新特性&#xff09; 1. JavaAPI-环境准备1.1 新建Maven工程——添加依赖1.2 HelloElasticsearch 2. 索引2.1 索引——创建2.2 索引——查询2.3 索引——删除 3. 文档3.1 文档——重构3.2 文…

OpenCV 实现重新映射(53)

返回:OpenCV系列文章目录&#xff08;持续更新中......&#xff09; 上一篇&#xff1a;OpenCV 实现霍夫圆变换(52) 下一篇 :OpenCV实现仿射变换(54) 目标 在本教程中&#xff0c;您将学习如何&#xff1a; 一个。使用 OpenCV 函数 cv&#xff1a;&#xff1a;remap 实现简…

阿里低代码引擎学习记录

官网 一、关于设计器 1、从设计器入手进行低代码开发 设计器就是我们用拖拉拽的方法&#xff0c;配合少量代码进行页面或者应用开发的在线工具。 阿里官方提供了以下八个不同类型的设计器Demo&#xff1a; 综合场景Demo&#xff08;各项能力相对完整&#xff0c;使用Fusion…

Gitea 上传用户签名

在 Gitea 的用户管理部分&#xff0c;有一个 SSH 和 GPG 的选项。 单击这个选项&#xff0c;可以在选项上添加 Key。 Key 的来源 如是 Windows 的用户&#xff0c;可以选择 Kleopatra 这个软件。 通过这个软件生成的 Key 的界面中有一个导出功能。 单击这个导出&#xff0c;…

区块链 | IPFS:Merkle DAG

&#x1f98a;原文&#xff1a;IPFS: Merkle DAG 数据结构 - 知乎 &#x1f98a;写在前面&#xff1a;本文属于搬运博客&#xff0c;自己留存学习。 1 Merkle DAG 的简介 Merkle DAG 是 IPFS 系统的核心概念之一。虽然 Merkle DAG 并不是由 IPFS 团队发明的&#xff0c;它来自…

【UnityRPG游戏制作】Unity_RPG项目_玩家逻辑相关

&#x1f468;‍&#x1f4bb;个人主页&#xff1a;元宇宙-秩沅 &#x1f468;‍&#x1f4bb; hallo 欢迎 点赞&#x1f44d; 收藏⭐ 留言&#x1f4dd; 加关注✅! &#x1f468;‍&#x1f4bb; 本文由 秩沅 原创 &#x1f468;‍&#x1f4bb; 收录于专栏&#xff1a;就业…

自动驾驶-第02课软件环境基础(ROSCMake)

1. 什么是ros 2. 为什么使用ros 3. ROS通信 3.1 Catkin编译系统

MT3608B 航天民芯代理 1.2Mhz 24V输入 升压转换器

深圳市润泽芯电子有限公司为航天民芯一级代理商 技术支持欢迎试样~Tel&#xff1a;18028786817 简述 MT3608B是恒定频率的6针SOT23电流模式升压转换器&#xff0c;用于小型、低功耗应用。MT3608B开关频率为1.2MHz&#xff0c;允许使用微小、低电平成本电容器和电感器高度不…

正版Office-Word使用时却提示无网络连接请检查你的网络设置 然后重试

这是购买电脑时自带的已经安装好的word。看纸箱外壳有office标记&#xff0c;但是好像没有印系列号。 某天要使用。提示&#xff1a;无网络连接请检查你的网络设置。 经过网上高手的提示&#xff1a; 说要勾选勾选ssl3.0、TLS1.0、1.1、1.2。 我的截图 我电脑进去就缺1.2. …

Go协程的底层原理(图文详解)

为什么要有协程 什么是进程 操作系统“程序”的最小单位进程用来占用内存空间进程相当于厂房&#xff0c;占用工厂空间 什么是线程 进程如果比作厂房&#xff0c;线程就是厂房里面的生产线&#xff1a; 每个进程可以有多个线程线程使用系统分配给进程的内存&#xff0c;线…

深度学习之基于Vgg16卷积神经网络印度交警手势识别系统

欢迎大家点赞、收藏、关注、评论啦 &#xff0c;由于篇幅有限&#xff0c;只展示了部分核心代码。 文章目录 一项目简介 二、功能三、系统四. 总结 一项目简介 一、项目背景 随着智能交通系统的不断发展&#xff0c;手势识别技术在其中扮演着越来越重要的角色。特别是在印度等…

Golang | Leetcode Golang题解之第58题最后一个单词的长度

题目&#xff1a; 题解&#xff1a; func lengthOfLastWord(s string) (ans int) {index : len(s) - 1for s[index] {index--}for index > 0 && s[index] ! {ansindex--}return }

AST原理(反混淆)

一、AST原理 jscode var a "\u0068\u0065\u006c\u006c\u006f\u002c\u0041\u0053\u0054";在上述代码中&#xff0c;a 是一个变量&#xff0c;它被赋值为一个由 Unicode 转义序列组成的字符串。Unicode 转义序列在 JavaScript 中以 \u 开头&#xff0c;后跟四个十六进…

JavaScript 如何理解柯里化函数结构及调用

文章目录 柯里化函数是什么逐步理解柯里化函数 柯里化函数是什么 柯里化&#xff08;Currying&#xff09;函数&#xff0c;又称部分求值&#xff0c;是一种函数转换技术。这种技术将一个接受多个参数的函数转换为一系列接受单一参数的函数。具体来说&#xff0c;一个柯里化的…