基于weka手工实现ID3决策树

ゝ一纸荒年。 2024-03-16 19:26 70阅读 0赞

## 一、决策树ID3算法 ##

相比于logistic回归、BP网络、支持向量机等基于超平面的方法，决策树更像一种算法，里面的数学原理并不是很多，较好理解。

决策树就是一个不断地属性选择、属性划分地过程，直到满足某一情况就停止划分。

1.  当前样本全部属于同一类别了（信息增益为0）；
2.  已经是空叶子了（没有样本了）；
3.  当前叶子节点所有样本所有属性上取值相同，无法划分了（信息增益为0）。

信息增益如何计算？根据信息熵地变化量，信息熵减少最大地属性就是我们要选择地属性。

信息熵定义：

E n t ( D ) = − ∑ k = 1 ∣ y ∣ p k l o g 2 p k Ent(D)=-\\sum\_\{k=1\}^\{|y|\}p\_klog\_2p\_k Ent(D)=−k=1∑∣y∣pklog2pk

信息增益定义：

G a i n ( D , a ) = E n t ( D ) − ∑ v = 1 v ∣ D v ∣ ∣ D ∣ E n t ( D v ) Gain(D,a)=Ent(D)-\\sum\_\{v=1\}^v\\frac\{|D^v|\}\{|D|\}Ent(D^v) Gain(D,a)=Ent(D)−v=1∑v∣D∣∣Dv∣Ent(Dv)

信息增益越大，则意味着属性a来划分所获得的“纯度提升”越大。

ID3就是以信息增益作为属性选择和划分的标准的。有了决策树生长和停止生长的条件，剩下的其实就是一些编程技巧了，我们就可以进行编码了。

除此之外，决策树还有C4.5等其它实现的算法，包括基尼系数、增益率、剪枝、预剪枝等防止过拟合的方法，但决策树最本质、朴素的思想还是在ID3中体现的最好。

具体可以参考这篇博客：[机器学习06：决策树学习][06].

## 二、基于weka平台实现ID3决策树 ##

package weka.classifiers.myf;
    
    import weka.classifiers.Classifier;
    import weka.core.*;
    
    /**
     * @author YFMan
     * @Description 自定义的 ID3 分类器
     * @Date 2023/5/25 18:07
     */
    public class myId3 extends Classifier {
        
    
        // 当前节点 的 后续节点
        private myId3[] m_Successors;
    
        // 当前节点的划分属性 (如果为空，说明当前节点是叶子节点；否则，说明当前节点是中间节点)
        private Attribute m_Attribute;
    
        // 当前节点的类别分布 (如果为中间节点，全为 0；为叶子节点，为类别分布)
        private double[] m_Distribution;
    
        // 当前节点的类别 (如果为中间节点，为 0；为叶子节点，为类别分布)
        // (用于获取类别的索引，对于算法本身没用，但对于可视化 决策树有用)
        private double m_ClassValue;
    
        // 当前节点的类别属性 (如果为中间节点，为 null；为叶子节点，为类别属性)
        // (用于获取类别的名称，对于算法本身没用，但对于可视化 决策树有用)
        private Attribute m_ClassAttribute;
    
        /*
         * @Author YFMan
         * @Description 根据训练数据 建立 决策树
         * @Date 2023/5/25 18:43
         * @Param [data]
         * @return void
         **/
        public void buildClassifier(Instances data) throws Exception {
        
            // 建树
            makeTree(data);
        }
    
        /*
         * @Author YFMan
         * @Description 根据训练数据 建立 决策树
         * @Date 2023/5/25 18:43
         * @Param [data] 训练数据
         * @return void
         **/
        private void makeTree(Instances data) throws Exception {
        
    
            // 如果是空叶子，拒绝建树 (拒判)
            if (data.numInstances() == 0) {
        
                m_Attribute = null;
                m_ClassValue = Instance.missingValue();
                m_Distribution = new double[data.numClasses()];
                return;
            }
    
            // 计算 所有属性的 信息增益
            double[] infoGains = new double[data.numAttributes()];
            // 遍历所有属性
            for(int i = 0; i < data.numAttributes(); i++) {
        
                // 如果是类别属性，跳过
                if (i == data.classIndex()) {
        
                    infoGains[i] = 0;
                } else {
        
                    // 计算信息增益
                    infoGains[i] = computeInfoGain(data, data.attribute(i));
                }
            }
    
            // 选择信息增益最大的属性
            m_Attribute = data.attribute(Utils.maxIndex(infoGains));
    
            // 如果信息增益为 0，说明当前节点包含的样例都属于同一类别，直接设置为叶子节点
            if (Utils.eq(infoGains[m_Attribute.index()], 0)) {
        
                // 设置为叶子节点
                m_Attribute = null;
                m_Distribution = new double[data.numClasses()];
                // 遍历所有样例
                for (int i = 0; i < data.numInstances(); i++) {
        
                    // 获取当前样例的类别
                    Instance inst = data.instance(i);
                    // 统计类别分布
                    m_Distribution[(int) inst.classValue()]++;
                }
                // 归一化
                Utils.normalize(m_Distribution);
                // 设置类别
                m_ClassValue = Utils.maxIndex(m_Distribution);
                m_ClassAttribute = data.classAttribute();
            } else {
         // 否则，递归建树
                // 划分数据集
                Instances[] splitData = splitData(data, m_Attribute);
                // 创建叶子
                m_Successors = new myId3[m_Attribute.numValues()];
                // 叶子再去长叶子，递归调用
                for (int j = 0; j < m_Attribute.numValues(); j++) {
        
                    m_Successors[j] = new myId3();
                    m_Successors[j].makeTree(splitData[j]);
                }
            }
    
    
        }
    
        /*
         * @Author YFMan
         * @Description 根据 instance 进行分类
         * @Date 2023/5/25 18:33
         * @Param [instance] 待分类的实例
         * @return double[] 类别分布
         **/
        public double[] distributionForInstance(Instance instance)
                throws NoSupportForMissingValuesException {
        
            // 如果到达叶子节点，返回类别分布
            if (m_Attribute == null) {
        
                // 如果 m_Distribution 全为 0(是空叶子)，随机返回一个类别分布
                if (Utils.eq(Utils.sum(m_Distribution), 0)) {
        
                    // 在 0~类别数-1 之间随机选择一个类别
                    m_Distribution = new double[m_ClassAttribute.numValues()];
                    m_Distribution[(int) Math.round(Math.random() * m_ClassAttribute.numValues())] = 1.0;
                }
                return m_Distribution;
            } else {
        
                // 否则，递归调用
                return m_Successors[(int) instance.value(m_Attribute)].
                        distributionForInstance(instance);
            }
        }
    
        /*
         * @Author YFMan
         * @Description 计算当前数据集 选择某个属性的 信息增益
         * @Date 2023/5/25 18:29
         * @Param [data, att] 当前数据集，选择的属性
         * @return double 信息增益
         **/
        private double computeInfoGain(Instances data, Attribute att)
                throws Exception {
        
            // 计算 data 的信息熵
            double infoGain = computeEntropy(data);
            // 计算 data 按照 att 属性进行划分的信息熵
            // 划分数据集
            Instances[] splitData = splitData(data, att);
            // 遍历划分后的数据集
            for (Instances instances : splitData) {
        
                // 计算概率
                double probability = (double) instances.numInstances() / data.numInstances();
                // 计算信息熵
                infoGain -= probability * computeEntropy(instances);
            }
            // 返回信息增益
            return infoGain;
        }
    
        /*
         * @Author YFMan
         * @Description 计算信息熵
         * @Date 2023/5/25 18:18
         * @Param [data] 计算的数据集
         * @return double 信息熵
         **/
        private double computeEntropy(Instances data) throws Exception {
        
            // 计不同类别的数量
            double[] classCounts = new double[data.numClasses()];
            // 遍历数据集
            for(int i=0;i<data.numInstances();i++){
        
                // 获取类别
                int classIndex = (int) data.instance(i).classValue();
                // 数量加一
                classCounts[classIndex]++;
            }
            // 计算信息熵
            double entropy = 0;
            // 遍历类别
            for (double classCount : classCounts) {
        
                // 注意：这里是大于 0，因为 log2(0) = -Infinity；
                // 如果是等于 0，那么计算结果就是 NaN，熵就出错了
                if(classCount > 0){
        
                    // 计算概率
                    double probability = classCount / data.numInstances();
                    // 计算信息熵
                    entropy -= probability * Utils.log2(probability);
                }
            }
            // 返回信息熵
            return entropy;
        }
    
        /*
         * @Author YFMan
         * @Description 根据属性划分数据集
         * @Date 2023/5/25 18:23
         * @Param [data, att] 数据集，属性
         * @return weka.core.Instances[] 划分后的数据集
         **/
        private Instances[] splitData(Instances data, Attribute att) {
        
            // 定义划分后的数据集
            Instances[] splitData = new Instances[att.numValues()];
            // 遍历划分后的数据集
            for(int i=0;i<splitData.length;i++){
        
                // 创建数据集 (这里主要是为了初始化 数据集 header)
                // Constructor copying all instances and references to the header
                // information from the given set of instances.
                splitData[i] = new Instances(data,0);
            }
            // 遍历数据集
            for(int i=0;i<data.numInstances();i++){
        
                // 获取实例
                Instance instance = data.instance(i);
                // 获取实例的属性值
                double value = instance.value(att);
                // 将实例添加到对应的数据集中
                splitData[(int) value].add(instance);
            }
            // 返回划分后的数据集
            return splitData;
        }
    
        private String toString(int level) {
        
    
            StringBuffer text = new StringBuffer();
    
            if (m_Attribute == null) {
        
                if (Instance.isMissingValue(m_ClassValue)) {
        
                    text.append(": null");
                } else {
        
                    text.append(": " + m_ClassAttribute.value((int) m_ClassValue));
                }
            } else {
        
                for (int j = 0; j < m_Attribute.numValues(); j++) {
        
                    text.append("\n");
                    for (int i = 0; i < level; i++) {
        
                        text.append("|  ");
                    }
                    text.append(m_Attribute.name() + " = " + m_Attribute.value(j));
                    text.append(m_Successors[j].toString(level + 1));
                }
            }
            return text.toString();
        }
    
        public String toString() {
        
    
            if ((m_Distribution == null) && (m_Successors == null)) {
        
                return "Id3: No model built yet.";
            }
            return "Id3\n\n" + toString(0);
        }
    
        /**
         * Main method.
         *
         * @param args the options for the classifier
         */
        public static void main(String[] args) {
        
            runClassifier(new myId3(), args);
        }
    }

[06]: https://blog.csdn.net/myf_666/article/details/125092015