• 使用Decision Tree对MNIST数据集进行实验


    使用的Decision Tree中,对MNIST中的灰度值进行了0/1处理,方便来进行分类和计算熵。

    使用较少的测试数据测试了在对灰度值进行多分类的情况下,分类结果的正确率如何。实验结果如下。

    #Test change pixel data into more categories than 0/1:
    #int(pixel)/50: 37%
    #int(pixel)/64: 45.9%
    #int(pixel)/96: 52.3%
    #int(pixel)/128: 62.48%
    #int(pixel)/152: 59.1%
    #int(pixel)/176: 57.6%
    #int(pixel)/192: 54.0%

    可见,在对灰度数据进行二分类,也就是0/1处理时,效果是最好的。

    使用0/1处理,最终结果如下:

    #Result:
    #Train with 10k, test with 60k: 77.79%
    #Train with 60k, test with 10k: 87.3%
    #Time cost: 3 hours.

    最终结果是87.3%的正确率。与SVM和KNN的超过95%相比,差距不小。而且消耗时间更长。

    需要注意的是,此次Decision Tree算法中,并未对决策树进行剪枝。因此,还有可以提升的空间。

    python代码见最下面。其中:

    calcShannonEntropy(dataSet):是对矩阵的熵进行计算,根据各个数据点的分类情况,使用香农定理计算;

    splitDataSet(dataSet, axis, value): 是获取第axis维度上的值为value的所有行所组成的矩阵。对于第axis维度上的数据,分别计算他们的splitDataSet的矩阵的熵,并与该维度上数据的出现概率相乘求和,可以得到使用第axis维度构建决策树后,整体的熵。

    chooseBestFeatureToSplit(dataSet): 根据splitDataSet函数,对比得到整体的熵与原矩阵的熵相比,熵的增量最大的维度。根据此维度feature来构建决策树。

    createDecisionTree(dataSet, features): 递归构建决策树。若在叶子节点处没法分类,则采用majorityCnt(classList)方法统计出现最多次的class作为分类。

    代码如下:

    1. #Decision tree for MNIST dataset by arthur503.  
    2. #Data format: 'class    label1:pixel    label2:pixel ...'  
    3. #Warning: without fix overfitting!  
    4. #  
    5. #Test change pixel data into more categories than 0/1:  
    6. #int(pixel)/50: 37%  
    7. #int(pixel)/64: 45.9%  
    8. #int(pixel)/96: 52.3%  
    9. #int(pixel)/128: 62.48%  
    10. #int(pixel)/152: 59.1%  
    11. #int(pixel)/176: 57.6%  
    12. #int(pixel)/192: 54.0%  
    13. #  
    14. #Result:  
    15. #Train with 10k, test with 60k: 77.79%  
    16. #Train with 60k, test with 10k: 87.3%  
    17. #Time cost: 3 hours.  
    18.   
    19. from numpy import *  
    20. import operator  
    21.   
    22. def calcShannonEntropy(dataSet):  
    23.     numEntries = len(dataSet)  
    24.     labelCounts = {}  
    25.     for featureVec in dataSet:  
    26.         currentLabel = featureVec[0]  
    27.         if currentLabel not in labelCounts.keys():  
    28.             labelCounts[currentLabel] = 1  
    29.         else:  
    30.             labelCounts[currentLabel] += 1  
    31.     shannonEntropy = 0.0  
    32.     for key in labelCounts:  
    33.         prob = float(labelCounts[key])/numEntries  
    34.         shannonEntropy -= prob  * log2(prob)  
    35.     return shannonEntropy  
    36.   
    37. #get all rows whose axis item equals value.  
    38. def splitDataSet(dataSet, axis, value):  
    39.     subDataSet = []  
    40.     for featureVec in dataSet:  
    41.         if featureVec[axis] == value:  
    42.             reducedFeatureVec = featureVec[:axis]  
    43.             reducedFeatureVec.extend(featureVec[axis+1:])   #if axis == -1, this will cause error!  
    44.             subDataSet.append(reducedFeatureVec)  
    45.     return subDataSet  
    46.   
    47. def chooseBestFeatureToSplit(dataSet):  
    48.     #Notice: Actucally, index 0 of numFeatures is not feature(it is class label).  
    49.     numFeatures = len(dataSet[0])     
    50.     baseEntropy = calcShannonEntropy(dataSet)  
    51.     bestInfoGain = 0.0  
    52.     bestFeature = numFeatures - 1   #DO NOT use -1! or splitDataSet(dataSet, -1, value) will cause error!  
    53.     #feature index start with 1(not 0)!  
    54.     for i in range(numFeatures)[1:]:  
    55.         featureList = [example[i] for example in dataSet]  
    56.         featureSet = set(featureList)  
    57.         newEntropy = 0.0  
    58.         for value in featureSet:  
    59.             subDataSet = splitDataSet(dataSet, i, value)  
    60.             prob = len(subDataSet)/float(len(dataSet))  
    61.             newEntropy += prob * calcShannonEntropy(subDataSet)  
    62.         infoGain = baseEntropy - newEntropy  
    63.         if infoGain > bestInfoGain:  
    64.             bestInfoGain = infoGain  
    65.             bestFeature = i  
    66.     return bestFeature  
    67.   
    68. #classify on leaf of decision tree.  
    69. def majorityCnt(classList):  
    70.     classCount = {}  
    71.     for vote in classList:  
    72.         if vote not in classCount:  
    73.             classCount[vote] = 0  
    74.         classCount[vote] += 1  
    75.     sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)  
    76.     return sortedClassCount[0][0]  
    77.   
    78. #Create Decision Tree.  
    79. def createDecisionTree(dataSet, features):  
    80.     print 'create decision tree... length of features is:'+str(len(features))  
    81.     classList = [example[0] for example in dataSet]  
    82.     if classList.count(classList[0]) == len(classList):  
    83.         return classList[0]  
    84.     if len(dataSet[0]) == 1:  
    85.         return majorityCnt(classList)  
    86.     bestFeatureIndex = chooseBestFeatureToSplit(dataSet)   
    87.     bestFeatureLabel = features[bestFeatureIndex]  
    88.     myTree = {bestFeatureLabel:{}}  
    89.     del(features[bestFeatureIndex])  
    90.     featureValues = [example[bestFeatureIndex] for example in dataSet]  
    91.     featureSet = set(featureValues)  
    92.     for value in featureSet:  
    93.         subFeatures = features[:]     
    94.         myTree[bestFeatureLabel][value] = createDecisionTree(splitDataSet(dataSet, bestFeatureIndex, value), subFeatures)  
    95.     return myTree  
    96.   
    97. def line2Mat(line):  
    98.     mat = line.strip().split(' ')  
    99.     for i in range(len(mat)-1):   
    100.         pixel = mat[i+1].split(':')[1]  
    101.         #change MNIST pixel data into 0/1 format.  
    102.         mat[i+1] = int(pixel)/128  
    103.     return mat  
    104.   
    105. #return matrix as a list(instead of a matrix).  
    106. #features is the 28*28 pixels in MNIST dataset.  
    107. def file2Mat(fileName):  
    108.     f = open(fileName)  
    109.     lines = f.readlines()  
    110.     matrix = []  
    111.     for line in lines:  
    112.         mat = line2Mat(line)  
    113.         matrix.append(mat)  
    114.     f.close()  
    115.     print 'Read file '+str(fileName) + ' to array done! Matrix shape:'+str(shape(matrix))  
    116.     return matrix  
    117.   
    118. #Classify test file.  
    119. def classify(inputTree, featureLabels, testVec):  
    120.     firstStr = inputTree.keys()[0]  
    121.     secondDict = inputTree[firstStr]  
    122.     featureIndex = featureLabels.index(firstStr)  
    123.     predictClass = '-1'  
    124.     for key in secondDict.keys():  
    125.         if testVec[featureIndex] == key:  
    126.             if type(secondDict[key]) == type({}):     
    127.                 predictClass = classify(secondDict[key], featureLabels, testVec)  
    128.             else:  
    129.                 predictClass = secondDict[key]  
    130.     return predictClass  
    131.   
    132. def classifyTestFile(inputTree, featureLabels, testDataSet):  
    133.     rightCnt = 0  
    134.     for i in range(len(testDataSet)):  
    135.         classLabel = testDataSet[i][0]  
    136.         predictClassLabel = classify(inputTree, featureLabels, testDataSet[i])  
    137.         if classLabel == predictClassLabel:  
    138.             rightCnt += 1   
    139.         if i % 200 == 0:  
    140.             print 'num '+str(i)+'. ratio: ' + str(float(rightCnt)/(i+1))  
    141.     return float(rightCnt)/len(testDataSet)  
    142.   
    143. def getFeatureLabels(length):  
    144.     strs = []  
    145.     for i in range(length):  
    146.         strs.append('#'+str(i))  
    147.     return strs  
    148.   
    149. #Normal file  
    150. trainFile = 'train_60k.txt'   
    151. testFile = 'test_10k.txt'  
    152. #Scaled file  
    153. #trainFile = 'train_60k_scale.txt'  
    154. #testFile = 'test_10k_scale.txt'  
    155. #Test file  
    156. #trainFile = 'test_only_1.txt'    
    157. #testFile = 'test_only_2.txt'  
    158.   
    159. #train decision tree.  
    160. dataSet = file2Mat(trainFile)  
    161. #Actually, the 0 item is class, not feature labels.  
    162. featureLabels = getFeatureLabels(len(dataSet[0]))     
    163. print 'begin to create decision tree...'  
    164. myTree = createDecisionTree(dataSet, featureLabels)  
    165. print 'create decision tree done.'  
    166.   
    167. #predict with decision tree.      
    168. testDataSet = file2Mat(testFile)  
    169. featureLabels = getFeatureLabels(len(testDataSet[0]))     
    170. rightRatio = classifyTestFile(myTree, featureLabels, testDataSet)  
    171. print 'total right ratio: ' + str(rightRatio)  
     
  • 相关阅读:
    无声的吐槽csdn
    成长
    最近忙的头发都油油的
    pycharm5工具免费分享及安装教程
    分布式版本控制git常见问题之gitignore冲突
    感觉自己还是太年轻,还有很多东西不会
    关于laravel5.2仓库的建立,以及简单调用
    乎,前所未有的挑战!
    嘿嘿,无聊的时候,来点好玩的,翻滚吧,杀马特!!!
    随便说说
  • 原文地址:https://www.cnblogs.com/wt869054461/p/5030853.html
Copyright © 2020-2023  润新知