python機器學習實戰（二）

原文連結：www.cnblogs.com/fydeblog/p/…

前言

這篇notebook是關於機器學習監督學習中的決策樹演算法，內容包括決策樹演算法的構造過程，使用matplotlib庫繪製樹形圖以及使用決策樹預測隱形眼睛型別. 作業系統：ubuntu14.04（win也ok） 執行環境：anaconda-python2.7-jupyter notebook 參考書籍：機器學習實戰和原始碼 notebook writer ----方陽

注意事項：在這裡說一句，預設環境python2.7的notebook，用python3.6的會出問題，還有我的目錄可能跟你們的不一樣，你們自己跑的時候記得改目錄，我會把notebook和程式碼以及資料集放到結尾的百度雲盤，方便你們下載！

決策樹原理：不斷通過資料集的特徵來劃分資料集，直到遍歷所有劃分資料集的屬性，或每個分支下的例項都具有相同的分類，決策樹演算法停止執行。

決策樹的優缺點及適用型別:

• 優點 :計算複雜度不高, 輸出結果易於理解,對中間值的缺失不敏感,可以處理不相關特徵資料。
• 缺點 :可能會產生過度匹配問題。

適用資料型別:數值型和標稱型。

先舉一個小例子，讓你瞭解決策樹是幹嘛的，簡單來說，決策樹演算法就是一種基於特徵的分類器，拿郵件來說吧，試想一下，郵件的型別有很多種，有需要及時處理的郵件，無聊時觀看的郵件，垃圾郵件等等，我們需要去區分這些，比如根據郵件中出現裡你的名字還有你朋友的名字，這些特徵就會就可以將郵件分成兩類，需要及時處理的郵件和其他郵件，這時候在分類其他郵件，例如郵件中出現buy，money等特徵，說明這是垃圾推廣檔案，又可以將其他檔案分成無聊是觀看的郵件和垃圾郵件了。

1.決策樹的構造

1.1 資訊增益

試想一下，一個資料集是有多個特徵的，我們該從那個特徵開始劃分呢，什麼樣的劃分方式會是最好的？

我們知道劃分資料集的大原則是將無序的資料變得更加有序，這樣才能分類得更加清楚，這裡就提出了一種概念，叫做資訊增益，它的定義是在劃分資料集之前之後資訊發生的變化，變化越大，證明劃分得越好，所以在劃分資料集的時候，獲得增益最高的特徵就是最好的選擇。

這裡又會扯到另一個概念，資訊理論中的熵，它是集合資訊的度量方式，熵變化越大，資訊增益也就越大。資訊增益是熵的減少或者是資料無序度的減少.

一個符號x在資訊理論中的資訊定義是 l(x)= -log(p(x)) ,這裡都是以2為底，不再複述。

則熵的計算公式是 H =-∑p(xi)log(p(xi)) (i=1,2,..n)

下面開始實現給定資料集，計算熵。

參考程式碼：

from math import log         #we use log function to calculate the entropy
import operator
複製程式碼

def calcShannonEnt(dataSet):
    numEntries = len(dataSet)
    labelCounts = {}
    for featVec in dataSet: #the the number of unique elements and their occurance
        currentLabel = featVec[-1]
        if currentLabel not in labelCounts.keys(): labelCounts[currentLabel] = 0
        labelCounts[currentLabel] += 1
    shannonEnt = 0.0
    for key in labelCounts:
        prob = float(labelCounts[key])/numEntries
        shannonEnt -= prob * log(prob,2)     #log base 2
    return shannonEnt
複製程式碼

程式思路：

• 首先計算資料集中例項的總數,由於程式碼中多次用到這個值,為了提高程式碼效率,我們顯式地宣告一個變數儲存例項總數。
• 然後 ,建立一個資料字典labelCounts,它的鍵值是最後一列（分類的結果）的數值.如果當前鍵值不存在,則擴充套件字典並將當前鍵值加入字典。每個鍵值都記錄了當前類別出現的次數。
• 最後 , 使用所有類標籤的發生頻率計算類別出現的概率。我們將用這個概率計算夏農熵。

讓我們來測試一下，先自己定義一個資料集。

下表的資料包含 5 個海洋動物,特徵包括:不浮出水面是否可以生存,以及是否有腳蹼。我們可以將這些動物分成兩類: 魚類和非魚類。

根據上面的表格，我們可以定義一個createDataSet函式。

參考程式碼如下:

 def createDataSet():
     dataSet = [[1, 1, 'yes'],
                [1, 1, 'yes'],
                [1, 0, 'no'],
                [0, 1, 'no'],
                [0, 1, 'no']]
     labels = ['no surfacing','flippers']
     #change to discrete values
     return dataSet, labels
複製程式碼

把所有的程式碼都放在trees.py中（以下在jupyter）

cd /home/fangyang/桌面/machinelearninginaction/Ch03

/home/fangyang/桌面/machinelearninginaction/Ch03

import trees myDat, labels = trees.createDataSet() myDat #old data set [[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']] labels ['no surfacing', 'flippers'] trees.calcShannonEnt(myDat) #calculate the entropy 0.9709505944546686 myDat[0][-1]='maybe' #change the result ,and look again the entropy myDat #new data set [[1, 1, 'maybe'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']] trees.calcShannonEnt(myDat) # the new entropy 1.3709505944546687

我們可以看到當結果分類改變，熵也發生裡變化，主要是因為最後的結果發生裡改變，相應的概率也發生了改變，根據公式，熵也會改變。

1.2 劃分資料集

前面已經得到了如何去求資訊熵的函式，但我們的劃分是以哪個特徵劃分的呢，不知道，所以我們還要寫一個以給定特徵劃分資料集的函式。

參考程式碼如下：

 def splitDataSet(dataSet, axis, value):
     retDataSet = []
     for featVec in dataSet:
         if featVec[axis] == value:
             reducedFeatVec = featVec[:axis]     #chop out axis used for splitting
             reducedFeatVec.extend(featVec[axis+1:])
             retDataSet.append(reducedFeatVec)
     return retDataSet
複製程式碼

函式的三個輸人蔘數:待劃分的資料集（dataSet）、劃分資料集的特徵（axis）、特徵的返回值（value）。輸出是劃分後的資料集（retDataSet）。

小知識：python語言在函式中傳遞的是列表的引用 ,在函式內部對列表物件的修改, 將會影響該列表物件的整個生存週期。為了消除這個不良影響 ,我們需要在函式的開始宣告一個新列表物件。 因為該函式程式碼在同一資料集上被呼叫多次,為了不修改原始資料集,建立一個新的列表物件retDataSet。

這個函式也挺簡單的，根據axis的值所指的物件來進行劃分資料集，比如axis=0，就按照第一個特徵來劃分，featVec[:axis]就是空,下面經過一個extend函式，將featVec[axis+1:]後面的數存到reduceFeatVec中，然後通過append函式以列表的形式存到retDataSet中。

這裡說一下entend和append函式的功能，舉個例子吧。

a=[1,2,3]
b=[4,5,6]
a.append(b)
複製程式碼

a
複製程式碼

[1, 2, 3, [4, 5, 6]]

a=[1,2,3]
a.extend(b)
複製程式碼

 a
複製程式碼

[1, 2, 3, 4, 5, 6] 可見append函式是直接將b的原型匯入a中，extend是將b中的元素匯入到a中 下面再來測試一下 myDat, labels = trees.createDataSet() #initialization myDat [[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']] trees.splitDataSet(myDat,0,1) #choose the first character to split the dataset [[1, 'yes'], [1, 'yes'], [0, 'no']] trees.splitDataSet(myDat,0,0)# change the value ,look the difference of previous results [[1, 'no'], [1, 'no']]

好了，我們知道了怎樣以某個特徵劃分資料集了，但我們需要的是最好的資料集劃分方式，所以要結合前面兩個函式，計算以每個特徵為劃分方式，相應最後的資訊熵，我們要找到最大資訊熵，它所對應的特徵就是我們要找的最好劃分方式。所以有了函式chooseBestFeatureToSpilt 參考程式碼如下：

  def chooseBestFeatureToSplit(dataSet):
      numFeatures = len(dataSet[0]) - 1      #the last column is used for the labels
      baseEntropy = calcShannonEnt(dataSet) #calculate the original entropy 
      bestInfoGain = 0.0; bestFeature = -1
      for i in range(numFeatures):        #iterate over all the features
          featList = [example[i] for example in dataSet]#create a list of all the examples of this feature
          uniqueVals = set(featList)       #get a set of unique values
          newEntropy = 0.0
          for value in uniqueVals:
             subDataSet = splitDataSet(dataSet, i, value)
             prob = len(subDataSet)/float(len(dataSet))
             newEntropy += prob * calcShannonEnt(subDataSet)     
         infoGain = baseEntropy - newEntropy     #calculate the info gain; ie reduction in entropy
         if (infoGain > bestInfoGain):       #compare this to the best gain so far
             bestInfoGain = infoGain         #if better than current best, set to best
             bestFeature = i
     return bestFeature                      #returns an integer
複製程式碼

這個函式就是把前面兩個函式整合起來了，先算出特徵的數目，由於最後一個是標籤，不算特徵，所以以資料集長度來求特徵數時，要減1。然後求原始的資訊熵，是為了跟新的資訊熵，進行比較，選出變化最大所對應的特徵。這裡有一個雙重迴圈，外迴圈是按特徵標號進行迴圈的，下標從小到大，featList是特徵標號對應下的每個樣本的值，是一個列表，而uniqueVals是基於這個特徵的所有可能的值的集合，內迴圈做的是以特徵集合中的每一個元素作為劃分，最後求得這個特徵下的平均資訊熵，然後原始的資訊熵進行比較，得出資訊增益，最後的if語句是要找到最大資訊增益，並得到最大資訊增益所對應的特徵的標號。

現在來測試測試

import trees
myDat, labels = trees.createDataSet()
trees.chooseBestFeatureToSplit(myDat)   #return the index of best character to split
複製程式碼

0

1.3 遞迴構建決策樹

好了，到現在，我們已經知道如何基於最好的屬性值去劃分資料集了，現在進行下一步，如何去構造決策樹

決策樹的實現原理：得到原始資料集, 然後基於最好的屬性值劃分資料集,由於特徵值可能多於兩個,因此可能存在大於兩個分支的資料集劃分。第一次劃分之後, 資料將被向下傳遞到樹分支的下一個節點, 在這個節點上 ,我們可以再次劃分資料。因此我們可以採用遞迴的原則處理資料集。

遞迴結束的條件是:程式遍歷完所有劃分資料集的屬性, 或者每個分支下的所有例項都具有相同的分類。

這裡先構造一個majorityCnt函式，它的作用是返回出現次數最多的分類名稱，後面會用到

def majorityCnt(classList):
    classCount={}
    for vote in classList:
        if vote not in classCount.keys(): classCount[vote] = 0
        classCount[vote] += 1
    sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]
複製程式碼

這個函式在實戰一中的一個函式是一樣的，複述一遍，classCount定義為儲存字典，每當，由於後面加了1，所以每次出現鍵值就加1，就可以就算出鍵值出現的次數裡。最後通過sorted函式將classCount字典分解為列表，sorted函式的第二個引數匯入了運算子模組的itemgetter方法，按照第二個元素的次序（即數字）進行排序，由於此處reverse=True，是逆序，所以按照從大到小的次序排列。

讓我們來測試一下

import numpy as np
classList = np.array(myDat).T[-1]
複製程式碼

classList
複製程式碼

array(['yes', 'yes', 'no', 'no', 'no'], dtype='|S21')

majorityCnt(classList)    #the number of 'no' is 3, 'yes' is 2,so return 'no'
複製程式碼

‘no’ 接下來是建立決策樹函式

程式碼如下：

  def createTree(dataSet,labels):
      classList = [example[-1] for example in dataSet]
      if classList.count(classList[0]) == len(classList): 
          return classList[0]#stop splitting when all of the classes are equal
      if len(dataSet[0]) == 1: #stop splitting when there are no more features in dataSet
          return majorityCnt(classList)
      bestFeat = chooseBestFeatureToSplit(dataSet)
      bestFeatLabel = labels[bestFeat]
      myTree = {bestFeatLabel:{}}
     del(labels[bestFeat])              #delete the best feature , so it can find the next best feature
     featValues = [example[bestFeat] for example in dataSet] 
     uniqueVals = set(featValues)
     for value in uniqueVals:
         subLabels = labels[:]       #copy all of labels, so trees don't mess up existing labels
         myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value),subLabels)
     return myTree  
複製程式碼

前面兩個if語句是判斷分類是否結束，當所有的類都相等時，也就是屬於同一類時，結束再分類，又或特徵全部已經分類完成了，只剩下最後的class，也結束分類。這是判斷遞迴結束的兩個條件。一般開始的時候是不會執行這兩步的，先選最好的特徵，使用 chooseBestFeatureToSplit函式得到最好的特徵，然後進行分類，這裡建立了一個大字典myTree，它將決策樹的整個架構全包含進去,這個等會在測試的時候說，然後對資料集進行劃分，用splitDataSet函式，就可以得到劃分後新的資料集，然後再進行createTrees函式，直到遞迴結束。

來測試一下

myTree = trees.createTree(myDat,labels)
複製程式碼

myTree
複製程式碼

{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}}

再來說說上面沒詳細說明的大字典，myTree是特徵是‘no surfacing’,根據這個分類，得到兩個分支‘0’和‘1‘，‘0’分支由於全是同一類就遞迴結束裡，‘1’分支不滿足遞迴結束條件，繼續進行分類，它又會生成它自己的字典，又會分成兩個分支，並且這兩個分支滿足遞迴結束的條件，所以返回‘no surfacing’上的‘1’分支是一個字典。這種巢狀的字典正是決策樹演算法的結果，我們可以使用它和Matplotlib來進行畫決策

1.4 使用決策樹執行分類

這個就是將測試合成一個函式，定義為classify函式

參考程式碼如下：

def classify(inputTree,featLabels,testVec):
    firstStr = inputTree.keys()[0]
     secondDict = inputTree[firstStr]
     featIndex = featLabels.index(firstStr)
     key = testVec[featIndex]
     valueOfFeat = secondDict[key]
     if isinstance(valueOfFeat, dict): 
         classLabel = classify(valueOfFeat, featLabels, testVec)
     else: classLabel = valueOfFeat
     return classLabel
複製程式碼

這個函式就是一個根據決策樹來判斷新的測試向量是那種型別，這也是一個遞迴函式，拿上面決策樹的結果來說吧。

{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}}，這是就是我們的inputTree，首先通過函式的第一句話得到它的第一個bestFeat，也就是‘no surfacing’，賦給了firstStr，secondDict就是‘no surfacing’的值，也就是 {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}，然後用index函式找到firstStr的標號，結果應該是0，根據下標，把測試向量的值賦給key，然後找到對應secondDict中的值，這裡有一個isinstance函式，功能是第一個引數的型別等於後面引數的型別，則返回true，否則返回false，testVec列表第一位是1，則valueOfFeat的值是 {0: 'no', 1: 'yes'}，是dict，則遞迴呼叫這個函式，再進行classify，知道不是字典，也就最後的結果了，其實就是將決策樹過一遍，找到對應的labels罷了。

這裡有一個小知識點，在jupyter notebook中，顯示綠色的函式，可以通過下面查詢它的功能，例如

isinstance?     #run it , you will see a below window which is used to introduce this function
複製程式碼

讓我們來測試測試

trees.classify(myTree,labels,[1,0])
複製程式碼

‘no’

trees.classify(myTree,labels,[1,1])
複製程式碼

‘yes'

1.5 決策樹的儲存

構造決策樹是很耗時的任務,即使處理很小的資料集, 如前面的樣本資料, 也要花費幾秒的時間 ,如果資料集很大,將會耗費很多計算時間。然而用建立好的決策樹解決分類問題，可以很快完成。因此 ,為了節省計算時間,最好能夠在每次執行分類時呼叫巳經構造好的決策樹。

解決方案：使用pickle模組儲存決策樹

參考程式碼：

def storeTree(inputTree,filename):
    import pickle
    fw = open(filename,'w')
    pickle.dump(inputTree,fw)
    fw.close()
    
def grabTree(filename):
    import pickle
    fr = open(filename)
    return pickle.load(fr)
複製程式碼

就是將決策樹寫到檔案中，用的時候在取出來，測試一下就明白了

trees.storeTree(myTree,'classifierStorage.txt')   #run it ,store the tree
複製程式碼

trees.grabTree('classifierStorage.txt')  
複製程式碼

{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}} 決策樹的構造部分結束了，下面介紹怎樣繪製決策樹

2. 使用Matplotlib註解繪製樹形圖

前面我們看到決策樹最後輸出是一個大字典，非常醜陋，我們想讓它更有層次感，更加清晰，最好是圖形狀的，於是，我們要Matplotlib去畫決策樹。

2.1 Matplotlib註解

Matplotlib提供了一個註解工具annotations,它可以在資料圖形上新增文字註釋。

建立一個treePlotter.py檔案來儲存畫圖的相關函式.

首先是使用文字註解繪製樹節點，參考程式碼如下：

 import matplotlib.pyplot as plt
  
 decisionNode = dict(boxstyle="sawtooth", fc="0.8")
 leafNode = dict(boxstyle="round4", fc="0.8")
 arrow_args = dict(arrowstyle="<-")
  
 def plotNode(nodeTxt, centerPt, parentPt, nodeType):
    createPlot.ax1.annotate(nodeTxt, xy=parentPt,  xycoords='axes fraction',\
             xytext=centerPt, textcoords='axes fraction',\
             va="center", ha="center", bbox=nodeType, arrowprops=arrow_args )
     
def createPlot1():
    fig = plt.figure(1, facecolor='white')
    fig.clf()
    createPlot.ax1 = plt.subplot(111, frameon=False) #ticks for demo puropses 
    plotNode('a decision node', (0.5, 0.1), (0.1, 0.5), decisionNode)
    plotNode('a leaf node', (0.8, 0.1), (0.3, 0.8), leafNode)
    plt.show()
複製程式碼

前面三行是定義文字框和箭頭格式，decisionNode是鋸齒形方框，文字框的大小是0.8，leafNode是4邊環繞型，跟矩形類似，大小也是4，arrow_args是指箭頭，我們在後面結果是會看到這些東西，這些資料以字典型別儲存。第一個plotNode函式的功能是繪製帶箭頭的註解，輸入引數分別是文字框的內容，文字框的中心座標，父結點座標和文字框的型別，這些都是通過一個createPlot.ax1.annotate函式實現的，create.ax1是一個全域性變數，這個函式不多將，會用就行了。第二個函式createPlot就是生出圖形，也沒什麼東西，函式第一行是生成影像的畫框，橫縱座標最大值都是1，顏色是白色，下一個是清屏，下一個就是分圖，111中第一個1是行數，第二個是列數，第三個是第幾個圖，這裡就一個圖，跟matlab中的一樣，matplotlib裡面的函式都是和matlab差不多。

來測試一下吧

reset -f   #clear all the module and data
複製程式碼

cd 桌面/machinelearninginaction/Ch03
複製程式碼

/home/fangyang/桌面/machinelearninginaction/Ch03

import treePlotter
import matplotlib.pyplot as plt
複製程式碼

treePlotter.createPlot1()
複製程式碼

2.2 構造註解樹

繪製一棵完整的樹需要一些技巧。我們雖然有 x 、y 座標,但是如何放置所有的樹節點卻是個問題，我們必須知道有多少個葉節點,以便可以正確確定x軸的長度;我們還需要知道樹有多少層，以便可以正確確定y軸的高度。這裡定義了兩個新函式getNumLeafs()和getTreeDepth()，以求葉節點的數目和樹的層數。

參考程式碼：

 def getNumLeafs(myTree):
    numLeafs = 0
    firstStr = myTree.keys()[0]
     secondDict = myTree[firstStr]
    for key in secondDict.keys():
        if type(secondDict[key]).__name__=='dict':#test to see if the nodes are dictonaires, if not they are leaf nodes
            numLeafs += getNumLeafs(secondDict[key])
        else:   numLeafs +=1
    return numLeafs

def getTreeDepth(myTree):
    maxDepth = 0
    firstStr = myTree.keys()[0]
    secondDict = myTree[firstStr]
    for key in secondDict.keys():
        if type(secondDict[key]).__name__=='dict':#test to see if the nodes are dictonaires, if not they are leaf nodes
            thisDepth = 1 + getTreeDepth(secondDict[key])
        else:   thisDepth = 1
        if thisDepth > maxDepth: maxDepth = thisDepth
    return maxDepth
複製程式碼

我們可以看到兩個方法有點似曾相識，沒錯，我們在進行決策樹分類測試時，用的跟這個幾乎一樣，分類測試中的isinstance函式換了一種方式去判斷，遞迴依然在，不過是每遞迴依次，高度增加1，葉子數同樣是檢測是否為字典，不是字典則增加相應的分支。

這裡還寫了一個函式retrieveTree，它的作用是預先儲存的樹資訊,避免了每次測試程式碼時都要從資料中建立樹的麻煩

參考程式碼如下

def retrieveTree(i):
    listOfTrees =[{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}},
                  {'no surfacing': {0: 'no', 1: {'flippers': {0: {'head': {0: 'no', 1: 'yes'}}, 1: 'no'}}}}
                  ]
    return listOfTrees[i]
複製程式碼

這個沒什麼好說的，就是把決策樹的結果存在一個函式中，方便呼叫，跟前面的儲存決策樹差不多。

有了前面這些基礎後，我們就可以來畫樹了。

參考程式碼如下：

def plotMidText(cntrPt, parentPt, txtString):
    xMid = (parentPt[0]-cntrPt[0])/2.0 + cntrPt[0]
    yMid = (parentPt[1]-cntrPt[1])/2.0 + cntrPt[1]
    createPlot.ax1.text(xMid, yMid, txtString, va="center", ha="center", rotation=30)

def plotTree(myTree, parentPt, nodeTxt):#if the first key tells you what feat was split on
    numLeafs = getNumLeafs(myTree)  #this determines the x width of this tree
    depth = getTreeDepth(myTree)
    firstStr = myTree.keys()[0]     #the text label for this node should be this
    cntrPt = (plotTree.xOff + (1.0 + float(numLeafs))/2.0/plotTree.totalW, plotTree.yOff)
    plotMidText(cntrPt, parentPt, nodeTxt)
    plotNode(firstStr, cntrPt, parentPt, decisionNode)
    secondDict = myTree[firstStr]
    plotTree.yOff = plotTree.yOff - 1.0/plotTree.totalD
    for key in secondDict.keys():
        if type(secondDict[key]).__name__=='dict':#test to see if the nodes are dictonaires, if not they are leaf nodes   
            plotTree(secondDict[key],cntrPt,str(key))        #recursion
        else:   #it's a leaf node print the leaf node
            plotTree.xOff = plotTree.xOff + 1.0/plotTree.totalW
           plotNode(secondDict[key], (plotTree.xOff, plotTree.yOff), cntrPt, leafNode)
           plotMidText((plotTree.xOff, plotTree.yOff), cntrPt, str(key))
   plotTree.yOff = plotTree.yOff + 1.0/plotTree.totalD
#if you do get a dictonary you know it's a tree, and the first element will be another dict

def createPlot(inTree):
   fig = plt.figure(1, facecolor='white')
    fig.clf()
    axprops = dict(xticks=[], yticks=[])
    createPlot.ax1 = plt.subplot(111, frameon=False, **axprops)    
    plotTree.totalW = float(getNumLeafs(inTree))
    plotTree.totalD = float(getTreeDepth(inTree))
    plotTree.xOff = -0.5/plotTree.totalW; plotTree.yOff = 1.0;
    plotTree(inTree, (0.5,1.0), '')
    plt.show()
複製程式碼

第一個函式是在父子節點中填充文字資訊，函式中是將父子節點的橫縱座標相加除以2，上面寫得有一點點不一樣，但原理是一樣的，然後還是在這個中間座標的基礎上新增文字，還是用的是 createPlot.ax1這個全域性變數，使用它的成員函式text來新增文字，裡面是它的一些引數。

第二個函式是關鍵，它呼叫前面我們說過的函式，用樹的寬度用於計算放置判斷節點的位置 ,主要的計算原則是將它放在所有葉子節點的中間,而不僅僅是它子節點的中間，根據高度就可以平分座標系了，用座標系的最大值除以高度，就是每層的高度。這個plotTree函式也是個遞迴函式，每次都是呼叫，畫出一層，知道所有的分支都不是字典後，才算畫完。每次檢測出是葉子，就記錄下它的座標，並寫出葉子的資訊和父子節點間的資訊。plotTree.xOff和plotTree.yOff是用來追蹤已經繪製的節點位置，以及放置下一個節點的恰當位置。

第三個函式我們之前介紹介紹過一個類似，這個函式呼叫了plotTree函式，最後輸出樹狀圖，這裡只說兩點，一點是全域性變數plotTree.totalW儲存樹的寬度 ,全 局變數plotTree.totalD儲存樹的深度，還有一點是plotTree.xOff和plotTree.yOff是在這個函式這裡初始化的。

最後我們來測試一下

cd 桌面/machinelearninginaction/Ch03
複製程式碼

/home/fangyang/桌面/machinelearninginaction/Ch03

import treePlotter
myTree = treePlotter.retrieveTree(0)
treePlotter.createPlot(myTree)
複製程式碼

改變標籤，重新繪製圖形

myTree['no surfacing'][3] = 'maybe'
treePlotter.createPlot(myTree)
複製程式碼

至此，用matplotlib畫決策樹到此結束。

3 使用決策樹預測眼睛型別

隱形眼鏡資料集是非常著名的資料集 , 它包含很多患者眼部狀況的觀察條件以及醫生推薦的隱形眼鏡型別 。隱形眼鏡型別包括硬材質 、軟材質以及不適合佩戴 隱形眼鏡 。資料來源於UCI資料庫 ,為了更容易顯示資料 , 將資料儲存在原始碼下載路徑的文字檔案中。

進行測試

import trees
lensesTree = trees.createTree(lenses,lensesLabels)
fr = open('lenses.txt')
lensesTree = trees.createTree(lenses,lensesLabels)
lenses = [inst.strip().split('\t') for inst in fr.readlines()]
lensesLabels = ['age' , 'prescript' , 'astigmatic','tearRate']
lensesTree = trees.createTree(lenses,lensesLabels)
複製程式碼

lensesTree

{'tearRate': {'normal': {'astigmatic': {'no': {'age': {'pre': 'soft', 'presbyopic': {'prescript': {'hyper': 'soft', 'myope': 'no lenses'}}, 'young': 'soft'}}, 'yes': {'prescript': {'hyper': {'age': {'pre': 'no lenses', 'presbyopic': 'no lenses', 'young': 'hard'}}, 'myope': 'hard'}}}}, 'reduced': 'no lenses'}}

這樣看，非常亂，看不出什麼名堂，畫出決策樹樹狀圖看看

treePlotter.createPlot(lensesTree)

這就非常清楚了，但還是有一個問題，決策樹非常好地匹配了實驗資料,然而這些匹配選項可能太多了，我們將這種問題稱之為過度匹配（overfitting），為了減少過度匹配問題,我們可以裁剪決策樹,去掉一些不必要的葉子節點。如果葉子節點只能增加少許資訊, 則可以刪除該節點, 將它並人到其他葉子節點中，這個將在後面討論吧！

結尾

這篇notebook寫了兩天多，接近三天，好累，希望這篇關於決策樹的部落格能夠幫助到你，如果發現錯誤，還望不吝指教，謝謝！

---

相關文章和視訊推薦

圓方圓學院彙集 Python + AI 名師，打造精品的 Python + AI 技術課程。 在各大平臺都長期有優質免費公開課，歡迎報名收看。

公開課地址：ke.qq.com/course/3627…

加入python學習討論群 78486745 ，獲取資料，和廣大群友一起學習。