快捷導(dǎo)航

Python實(shí)現(xiàn)CART決策樹算法及詳細(xì)注釋

更新時間：2021年10月29日 09:45:49 作者：Polaris_T

CART算法是一種樹構(gòu)建算法，既可以用于分類任務(wù)，又可以用于回歸，本文僅討論基本的CART分類決策樹構(gòu)建，不討論回歸樹和剪枝等問題，感興趣的朋友跟隨小編一起看看吧

一、CART決策樹算法簡介

CART（Classification And Regression Trees 分類回歸樹）算法是一種樹構(gòu)建算法，既可以用于分類任務(wù)，又可以用于回歸。相比于 ID3 和 C4.5 只能用于離散型數(shù)據(jù)且只能用于分類任務(wù)，CART 算法的適用面要廣得多，既可用于離散型數(shù)據(jù)，又可以處理連續(xù)型數(shù)據(jù)，并且分類和回歸任務(wù)都能處理。

本文僅討論基本的CART分類決策樹構(gòu)建，不討論回歸樹和剪枝等問題。

首先，我們要明確以下幾點(diǎn)：
1. CART算法是二分類常用的方法，由CART算法生成的決策樹是二叉樹，而 ID3 以及 C4.5 算法生成的決策樹是多叉樹，從運(yùn)行效率角度考慮，二叉樹模型會比多叉樹運(yùn)算效率高。
2. CART算法通過基尼(Gini)指數(shù)來選擇最優(yōu)特征。

二、基尼系數(shù)

基尼系數(shù)代表模型的不純度，基尼系數(shù)越小，則不純度越低，注意這和 C4.5的信息增益比的定義恰好相反。

分類問題中，假設(shè)有K個類，樣本點(diǎn)屬于第k類的概率為pk，則概率分布的基尼系數(shù)定義為:

在這里插入圖片描述

若CART用于二類分類問題（不是只能用于二分類），那么概率分布的基尼系數(shù)可簡化為

在這里插入圖片描述

假設(shè)使用特征 A 將數(shù)據(jù)集 D 劃分為兩部分 D1 和 D2，此時按照特征 A 劃分的數(shù)據(jù)集的基尼系數(shù)為：

在這里插入圖片描述

三、CART決策樹生成算法

輸入：訓(xùn)練數(shù)據(jù)集D，停止計算的條件
輸出：CART決策樹
根據(jù)訓(xùn)練數(shù)據(jù)集，從根結(jié)點(diǎn)開始，遞歸地對每個結(jié)點(diǎn)進(jìn)行以下操作，構(gòu)建二叉決策樹：
（1）計算現(xiàn)有特征對該數(shù)據(jù)集的基尼指數(shù)，如上面所示；
（2）選擇基尼指數(shù)最小的值對應(yīng)的特征為最優(yōu)特征，對應(yīng)的切分點(diǎn)為最優(yōu)切分點(diǎn)（若最小值對應(yīng)的特征或切分點(diǎn)有多個，隨便取一個即可）；
（3）按照最優(yōu)特征和最優(yōu)切分點(diǎn)，從現(xiàn)結(jié)點(diǎn)生成兩個子結(jié)點(diǎn)，將訓(xùn)練數(shù)據(jù)集中的數(shù)據(jù)按特征和屬性分配到兩個子結(jié)點(diǎn)中；
（4）對兩個子結(jié)點(diǎn)遞歸地調(diào)用（1）（2）（3），直至滿足停止條件。
（5）生成CART樹。
算法停止的條件：結(jié)點(diǎn)中的樣本個數(shù)小于預(yù)定閾值，或樣本集的基尼指數(shù)小于預(yù)定閾值（樣本基本屬于同一類，如完全屬于同一類則為0），或者特征集為空。
注：最優(yōu)切分點(diǎn)是將當(dāng)前樣本下分為兩類（因?yàn)槲覀円獦?gòu)造二叉樹）的必要條件。對于離散的情況，最優(yōu)切分點(diǎn)是當(dāng)前最優(yōu)特征的某個取值；對于連續(xù)的情況，最優(yōu)切分點(diǎn)可以是某個具體的數(shù)值。具體應(yīng)用時需要遍歷所有可能的最優(yōu)切分點(diǎn)取值去找到我們需要的最優(yōu)切分點(diǎn)。

四、CART算法的Python實(shí)現(xiàn)

若是二分類問題，則函數(shù)calcGini和choose_best_feature可簡化如下：

# 計算樣本屬于第1個類的概率p
def calcProbabilityEnt(dataset):
    numEntries = len(dataset)
    count = 0
    label = dataset[0][len(dataset[0]) - 1]
    for example in dataset:
        if example[-1] == label:
            count += 1
    probabilityEnt = float(count) / numEntries
    return probabilityEnt

def choose_best_feature(dataset):
    # 特征總數(shù)
    numFeatures = len(dataset[0]) - 1
    # 當(dāng)只有一個特征時
    if numFeatures == 1:
        return 0
    # 初始化最佳基尼系數(shù)
    bestGini = 1
    # 初始化最優(yōu)特征
    index_of_best_feature = -1
    for i in range(numFeatures):
        # 去重，每個屬性值唯一
        uniqueVals = set(example[i] for example in dataset)
        # 定義特征的值的基尼系數(shù)
        Gini = {}
        for value in uniqueVals:
            sub_dataset1, sub_dataset2 = split_dataset(dataset,i,value)
            prob1 = len(sub_dataset1) / float(len(dataset))
            prob2 = len(sub_dataset2) / float(len(dataset))
            probabilityEnt1 = calcProbabilityEnt(sub_dataset1)
            probabilityEnt2 = calcProbabilityEnt(sub_dataset2)
            Gini[value] = prob1 * 2 * probabilityEnt1 * (1 - probabilityEnt1) + prob2 * 2 * probabilityEnt2 * (1 - probabilityEnt2)
            if Gini[value] < bestGini:
                bestGini = Gini[value]
                index_of_best_feature = i
                best_split_point = value
    return index_of_best_feature, best_split_point