决策树-李航

1、所谓决策树模型，是通过重要性依次向下绘出的，越重要的越在上面。

决策树有节点和有向边组成。结点有两种类型，内部节点和叶结点，内部节点表示一个属性，叶子节点表示一个类。

决策树的数学意义在于 ，条件概率分布。举一个简单的例子：一个人去银行贷款，他的年龄、收入、房子、车子都能决定他是否能贷到款。我们需要判断到底哪个是最重要的，只需要判断出P（贷到款 | （年龄、收入、房车））哪个条件概率最大就可以了。

2、一些必须要懂得前提

A、信息增益，熵是表示变量不确定的因素，我们用一个公式来从概率上表示一个分类方式的熵。基于结果的熵我们称为经验熵，基于某个因素的熵我们称为条件熵。

B、信息增益比。在信息增益的基础上，除以关于特征值的熵，既得信息增益比。

3、决策树的形成。

基本思路是：输入数据集，输入特征集，输入阈值

输出决策树

if then 结构。自己看书吧。

4、一些算法

算法包括ID3算法，C4.5算法，CART算法。

5、决策树的剪枝

样本节点的熵越小越好，我们令新的参数由经验熵和C（t）共同决定，t是样本节点个数。

我们发现，前者是越小越好，但是前者的小会导致后者大。

6、CART明天再弄。

7、今天写的代码

from math import log
import numpy

def CalEnt(database):
#计算熵，这里的熵是经验熵还是条件熵实际上由database决定，所以后面专门针对不同的标签生成了不同的database
    LabelNumber = len(database)
    LabelDic = {}
    
    for line in database:
        LineLabel = line[-1]
        if LineLabel not in LabelDic.keys():
            LabelDic[LineLabel] = 0
        LabelDic[LineLabel] += 1
        
     #一定要记得初始化某些数据  
    ShanonEnt = 0.0
#对字典做遍历，可以用key做他的i
    for key in LabelDic:
        prob = LabelDic[key]/LabelNumber
        ShanonEnt -= prob*log(prob,2) 
        
    return ShanonEnt

def CreatDatabase():
    database =[[1,0,0,0,0],[1,0,0,1,0],[1,1,0,1,1],[1,1,1,0,1],[1,0,0,0,0],[2,0,0,0,0],[2,0,0,1,0],[2,1,1,1,1],[2,0,1,2,1],[2,0,1,2,0],
 [3,0,1,2,1],[3,0,1,1,1],[3,1,0,1,1],[3,1,0,2,1],[3,0,0,0,0]]
    return database
#axis表示维度，value表示区别
#这个用来由维度和值提取矩阵

def SplitDatabase(database,axis,value):
    retDatabase = []
    for line in database:
        if line[axis] == value:
            retDatabase.append(line)            
    return retDatabase
#用来选择最好的熵
提取基础的东西
def ChooseBest(database):
    baseShanon = CalEnt(database)
    bestInformationGain = 0.0
    ConShanon = 0.0
    FeaNum = len(database[1])-1
    BestChoose = -1
    LabelNum = len(database[:][0])
    
    for i in range(FeaNum):
#这句话很灵性，将列向量转化为行向量，并且提取出来
        FeatList = [temp[i] for temp in database]
        PureFeatList = set(FeatList)
        for value in PureFeatList:
            subdatabase = SplitDatabase(database,i,value)
            prob = len(subdatabase)/float(len(database))
            ConShanon -= prob*CalEnt(subdatabase) 
            InformationGain = baseShanon - ConShanon
            #这个判断很好
            if InformationGain > bestInformationGain:
                bestInformationGain = InformationGain
                BestChoose = i
            
            


def test():
    
    mydatabase = CreatDatabase()
    '''
    s = CalEnt(mydatabase)
    t=SplitDatabase(mydatabase,0,1)
    print(s)
    print(t)
    '''
    ChooseBest(mydatabase)
    print(i)
test()