这是前期准备
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
#ID3算法
#每个特征的信息熵
# target : 账号是否真实,共2种情况
# yes 7个 p=0.7
# no 3个 p=0.3
info_D=-(0.7*np.log2(0.7)+0.3*np.log2(0.3))
info_D
#日志密度L
# 日志密度 3种结果
# s 3个 0.3 1yes,2no
# m 4个 0.4 3yes,1no
# l 3个 0.3 3yes,0no
info_L_D = 0.3 * ( - ( (1/3) * np.log2(1/3) + (2/3) * np.log2(2/3) ) ) \+ 0.4 * ( - ( (3/4) * np.log2(3/4) + (1/4) * np.log2(1/4) ) ) # + 0.3 * ( - ( (3/3) * np.log2(3/3) + (0/3) * np.log2(0/3) ) ) info_L_D
#而信息增益即为两者的差值
gain_L = info_D - info_L_D
gain_L
# 好友密度 3种结果
# s 4个 0.4 1yes,3no
# m 4个 0.4 4yes,0no
# l 2个 0.2 2yes,0noinfo_F_D = 0.4 * ( - ( (1/4) * np.log2(1/4) + (3/4) * np.log2(3/4) ) ) info_F_D
gain_F = info_D - info_F_D
gain_F
# 是否使用真实头像 2种结果
# yes 5个 0.5 4yes,1no
# no 5个 0.5 3yes,2noinfo_H_D = 0.5 * ( - ( (4/5) * np.log2(4/5) + (1/5) * np.log2(1/5) ) ) \+ 0.5 * ( - ( (3/5) * np.log2(3/5) + (2/5) * np.log2(2/5) ) ) info_H_D
gain_H = info_D - info_H_D
gain_H
# ID3算法
# 信息增益: gain_F > gain_L > gain_H
# 0.55 > 0.28 > 0.03# 优先分裂:好友密度
# 如果有类似ID的特征(每一个值都不一样)
# ID有10种结果
# 1 有1个 0.1 1yes或1no
# 2 有1个 0.1 1yes或1no
# 3 有1个 0.1 1yes或1no
# 4 有1个 0.1 1yes或1no
# 5 有1个 0.1 1yes或1no
# 6 有1个 0.1 1yes或1no
# 7 有1个 0.1 1yes或1no
# 8 有1个 0.1 1yes或1no
# 9 有1个 0.1 1yes或1no
# 10 有1个 0.1 1yes或1no# info_ID_D = 0.1 * ( - ( (0/1) * np.log2(0/1) + (1/1) * np.log2(1/1) ) ) * 10
info_ID_D = 0# ID的信息增益
gain_ID = info_D - info_ID_D
gain_ID
### C4.5算法
# 解决的主要问题是: ID3算法中出现的ID属性的问题
# 单独计算每个特征的信息熵
# 信息增益率
# 信息增益率 = 信息增益 / 每个特征单独的信息熵# 日志密度L
# s 3个 0.3
# m 4个 0.4
# l 3个 0.3 info_L = - ( 0.3 * np.log2(0.3) + 0.4 * np.log2(0.4) + 0.3 * np.log2(0.3) )
info_Lgain_L / info_L
# 好友密度F
# s 4个 0.4
# m 4个 0.4
# l 2个 0.2 info_F = - ( 0.4 * np.log2(0.4) + 0.4 * np.log2(0.4) + 0.2 * np.log2(0.2) )
info_Fgain_F / info_F
# 是否使用真实头像H
# yes 5个 0.5
# no 5个 0.5 info_H = - ( 0.5 * np.log2(0.5) + 0.5 * np.log2(0.5) )
info_Hgain_H / info_H
# ID
# 1 1个 0.1
# 2 1个 0.1
# ...
# 10 1个 0.1 info_ID = - ( 0.1 * np.log2(0.1) * 10 )
info_IDgain_ID / info_ID
# 好友密度最大 0.36 ### CART算法
#gini_D = 1 - sum( p(x)**2 )
#gini : 基尼, 基尼系数,作用类似信息熵
%timeit np.log2(1000000)
%timeit 1000000**2
# target : 账号是否真实,共2种情况
# yes 7个 p=0.7
# no 3个 p=0.3gini_D = 1 - ( 0.7**2 + 0.3**2 )
gini_D
# 日志密度 3种结果
# s 3个 0.3 1yes,2no
# m 4个 0.4 3yes,1no
# l 3个 0.3 3yes,0nogini_L_D = 0.3 * ( 1 - ((1/3)**2 + (2/3)**2)) \+ 0.4 * ( 1 - ((1/4)**2 + (3/4)**2)) \+ 0.3 * ( 1 - ((3/3)**2 + (0/3)**2))gini_L_D
gini_D - gini_L_D
# 好友密度 3种结果
# s 4个 0.4 1yes,3no
# m 4个 0.4 4yes,0no
# l 2个 0.2 2yes,0nogini_F_D = 0.4 * ( 1 - ((1/4)**2 + (3/4)**2) ) gini_F_D
gini_D - gini_F_D
# 是否使用真实头像 2种结果
# yes 5个 0.5 4yes,1no
# no 5个 0.5 3yes,2nogini_H_D = 0.5 * ( 1 - ( (4/5) **2 + (1/5) **2 ) ) \+ 0.5 * ( 1 - ( (3/5) **2 + (2/5) **2 ) ) gini_H_D
gini_D - gini_H_D
#决策树代码
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
data, target = load_iris(return_X_y=True)
data.shape, target.shape
#criterion='gini', gini系数, 默认使用CART算法,一般使用默认值
#- splitter='best', 分割方式, 默认是best,最好的分割方式
#- max_depth=None, 树的最大深度,数据量少的情况下不设置,默认没有限制深度,
# - 数据量大的情况下需要设置,防止过拟合
#- min_samples_split=2, 最小分裂的样本数,数据量少的情况下不设置,默认是2
# - 数据量大的话,可以增加该值
#- min_samples_leaf=1, 叶子节点所需要的最少样本数,
# - 如果叶子节点上的样本数小于该值,则会被剪枝(兄弟节点一般也会被剪枝)
# - 数据量不大的情况下,一般不设置,
# - 如果数据量比较大(上万)的时候考虑增加该值
tree=DecisionTreeClassifier(max_depth=2)
tree=DecesionTreeClassifier(min_samples_split=4,min_samples_leas=4)
tree.fit(data).score(data,target)