当前位置：首页 > article >正文

构建ID3决策树的算法代码核心部分详细讲解

article 2024/10/3 19:31:05

# ID3 算法类
class ID3Tree:
    # 定义决策树节点类
    class TreeNode:
        # 定义树节点
        def __init__(self, name):
            self.name = name
            self.connections = {}
        
        # 定义树的连接
        def connect(self, label, node):
            self.connections[label] = node
    
    # 定义参数变量，包括数据集、特征集、标签和根结点
    def __init__(self, df, label):
        self.columns = df.columns
        self.df = df
        self.label = label
        self.root = self.TreeNode("Root")
    
    # 构建树的调用
    def construct_tree(self):
        self.construct(self.root, "", self.df, self.columns)

    # 树的构建递归方法
    def construct(self, parent_node, parent_label, sub_df, columns):
        # 选择最优特征
        max_value, best_feature, max_splited = choose_best_feature(sub_df[columns], self.label)
        
        # 如果找不到最优划分特征，则构造单纯节点
        if not best_feature:
            node = self.TreeNode(sub_df[self.label].iloc[0])
            parent_node.connect(parent_label, node)
            return
        
        # 根据最优特征值以及子集构建树
        node = self.TreeNode(best_feature)
        parent_node.connect(parent_label, node)
        
        # 'A-B' 分的特征的特征集
        new_columns = [col for col in columns if col != best_feature]
        
        # 遍历构建连接树
        for splited_value, splited_data in max_splited.items():
            self.construct(node, splited_value, splited_data, new_columns)

ID3Tree 类 负责构建决策树。
TreeNode 子类 定义了树的每个节点。
construct_tree 方法 调用递归方法 construct 开始构建树。
construct 方法 是递归的核心，用于选择最优特征构建子树，并递归处理每一个子集，直到叶节点（分类结果）。

这段代码实现了一个基于 ID3 算法 的决策树构建过程。它定义了一个 ID3Tree 类，并使用递归方式构建决策树。下面我们来详细解释这段代码的每一部分：

1. TreeNode 类 - 决策树节点的定义

class TreeNode:
    def __init__(self, name):
        self.name = name
        self.connections = {}
        
    def connect(self, label, node):
        self.connections[label] = node

TreeNode 类 用于定义决策树的节点。
属性：
- name: 节点的名称或表示的特征名称。
- connections: 存储与当前节点相连的子节点。connections 是一个字典，其中键是连接的分支（通常是某个特征的取值），值是子节点（TreeNode 的实例）。
__init__ 方法：初始化节点时为其赋予名称，并创建一个空的连接字典。
connect 方法：用于连接当前节点与子节点。这个方法将子节点与对应的分支（label）相连。

2. ID3Tree 类 - ID3 决策树的实现

class ID3Tree:
    def __init__(self, df, label):
        self.columns = df.columns
        self.df = df
        self.label = label
        self.root = self.TreeNode("Root")

ID3Tree 类 是 ID3 算法的主体，用于构建决策树。
属性：
- columns: 数据集中所有的特征列。
- df: 输入的数据集（通常是一个 Pandas DataFrame）。
- label: 数据集中的标签列，用于标注样本的分类。
- root: 树的根节点，初始值为 "Root" 节点。
__init__ 方法：初始化决策树时，接收数据集 df 和标签列 label。它将根节点设为 "Root"，并存储特征和数据集。

3. 构建树的入口方法

def construct_tree(self):
    self.construct(self.root, "", self.df, self.columns)

construct_tree 方法 是构建树的入口方法。它调用递归方法 construct 来开始构建决策树。
初始时，传入的参数是根节点 self.root、空的 parent_label（即根节点的父节点为空）、完整的数据集 self.df 和所有特征 self.columns。

4. 核心构建方法 construct

def construct(self, parent_node, parent_label, sub_df, columns):

construct 方法 是递归构建决策树的核心方法。它通过选择最佳的划分特征，将数据集不断划分为子集，并为每个子集创建新的节点。
参数：
- parent_node: 当前节点的父节点。
- parent_label: 当前节点对应的父节点的分支标签（即从父节点连接过来的特征值）。
- sub_df: 当前递归操作的数据子集。
- columns: 当前子集使用的特征列。

5. 选择最佳划分特征

max_value, best_feature, max_splited = choose_best_feature(sub_df[columns], self.label)

choose_best_feature 是选择最佳划分特征的函数。根据输入的数据集和标签列，选择能够最大化信息增益的特征。
- max_value: 该特征的最大信息增益值。
- best_feature: 最佳划分特征的名称。
- max_splited: 使用该特征划分后得到的子集（根据特征的取值划分的子集）。

6. 判断是否无法再继续划分

if not best_feature:
    node = self.TreeNode(sub_df[self.label].iloc[0])
    parent_node.connect(parent_label, node)
    return

如果没有可以继续划分的特征，就创建一个叶节点，叶节点的名称为当前子集中的第一个标签值（sub_df[self.label].iloc[0]）。此时，这个叶节点表示最终的分类结果（即数据集已经被分得很纯了）。
然后将该叶节点与父节点连接，并结束当前递归。

7. 为最佳划分特征创建节点并连接到父节点

node = self.TreeNode(best_feature)
parent_node.connect(parent_label, node)

创建新的节点：根据最佳划分特征 best_feature 创建一个新的决策树节点。
连接节点：将新创建的节点连接到父节点，连接标签为 parent_label（即父节点的分支）。

8. 更新特征列，排除已经使用的特征

new_columns = [col for col in columns if col != best_feature]

将已经使用的特征从特征列中排除。new_columns 是剩下的未被使用的特征列。

9. 递归处理每个子集

for splited_value, splited_data in max_splited.items():
    self.construct(node, splited_value, splited_data, new_columns)

对于 max_splited 中的每一个子集（即最佳特征划分后的子集），调用 construct 方法递归处理：
- node：当前创建的节点作为父节点。
- splited_value：划分特征的取值（即这个分支的标签）。
- splited_data：子集数据。
- new_columns：剩余的特征列。