码迷,mamicode.com
首页 > 编程语言 > 详细

cart树回归及其剪枝的python实现

时间:2017-10-08 16:52:07      阅读:367      评论:0      收藏:0      [点我收藏+]

标签:原则   new   author   readlines   输入   txt   模型   tar   auth   

前言

       前文讨论的回归算法都是全局且针对线性问题的回归,即使是其中的局部加权线性回归法,也有其弊端(具体请参考前文)

       采用全局模型会导致模型非常的臃肿,因为需要计算所有的样本点,而且现实生活中很多样本都有大量的特征信息。

       另一方面,实际生活中更多的问题都是非线性问题。

       针对这些问题,有了树回归系列算法。

回归树

       在先前决策树的学习中,构建树是采用的 ID3 算法。在回归领域,该算法就有个问题,就是派生子树是按照所有可能值来进行派生。

       因此 ID3 算法无法处理连续性数据。

       故可使用二元切分法,以某个特定值为界进行切分。在这种切分法下,子树个数小于等于2。

       除此之外,再修改择优原则香农熵 (因为数据变为连续型的了),便可将树构建成一棵可用于回归的树,这样一棵树便叫做回归树。

       构建回归树的伪代码:

1 找到最佳的待切分特征:
2     如果该节点不能再分,将此节点存为叶节点。
3     执行二元切分
4     左右子树分别递归调用此函数

       二元切分的伪代码:

1 对每个特征:
2     对每个特征值:
3         将数据集切成两份
4         计算切分误差
5         如果当前误差小于最小误差,则更新最佳切分以及最小误差。

       特别说明,终止划分 (并直接建立叶节点)有三种情况:
              1. 特征值划分完毕
              2. 划分子集太小
              3. 划分后误差改进不大
       这几个操作被称做 "预剪枝"。
  下面给出一个完整的回归树的小程序:

技术分享
  1 #!/usr/bin/env python
  2 # -*- coding:UTF-8 -*-
  3 
  4 ‘‘‘
  5 Created on 20**-**-**
  6 
  7 @author: fangmeng
  8 ‘‘‘
  9 
 10 from numpy import *
 11 
 12 def loadDataSet(fileName):
 13     ‘载入测试数据‘
 14     
 15     dataMat = []
 16     fr = open(fileName)
 17     for line in fr.readlines():
 18         curLine = line.strip().split(‘\t‘)
 19         # 所有元素转换为浮点类型(函数编程)
 20         fltLine = map(float,curLine)
 21         dataMat.append(fltLine)
 22     return dataMat
 23 
 24 #============================
 25 # 输入:
 26 #        dataSet: 待切分数据集
 27 #        feature: 切分特征序号
 28 #        value:    切分值
 29 # 输出:
 30 #        mat0,mat1: 切分结果
 31 #============================
 32 def binSplitDataSet(dataSet, feature, value):
 33     ‘切分数据集‘
 34     
 35     mat0 = dataSet[nonzero(dataSet[:,feature] > value)[0],:][0]
 36     mat1 = dataSet[nonzero(dataSet[:,feature] <= value)[0],:][0]
 37     return mat0,mat1
 38 
 39 #========================================
 40 # 输入:
 41 #        dataSet: 数据集
 42 # 输出:
 43 #        mean(dataSet[:,-1]): 均值(也就是叶节点的内容)
 44 #========================================
 45 def regLeaf(dataSet):
 46     ‘生成叶节点‘
 47     
 48     return mean(dataSet[:,-1])
 49 
 50 #========================================
 51 # 输入:
 52 #        dataSet: 数据集
 53 # 输出:
 54 #        var(dataSet[:,-1]) * shape(dataSet)[0]: 平方误差
 55 #========================================
 56 def regErr(dataSet):
 57     ‘计算平方误差‘
 58     
 59     return var(dataSet[:,-1]) * shape(dataSet)[0]
 60 
 61 #========================================
 62 # 输入:
 63 #        dataSet: 数据集
 64 #        leafType: 叶子节点生成器
 65 #        errType: 误差统计器
 66 #        ops: 相关参数
 67 # 输出:
 68 #        bestIndex: 最佳划分特征 
 69 #        bestValue: 最佳划分特征值
 70 #========================================
 71 def chooseBestSplit(dataSet, leafType=regLeaf, errType=regErr, ops=(1,4)):
 72     ‘选择最优划分‘
 73     
 74     # 获得相关参数中的最大样本数和最小误差效果提升值
 75     tolS = ops[0]; 
 76     tolN = ops[1]
 77     
 78     # 如果所有样本点的值一致,那么直接建立叶子节点。
 79     if len(set(dataSet[:,-1].T.tolist()[0])) == 1: 
 80         return None, leafType(dataSet)
 81     
 82     m,n = shape(dataSet)
 83     # 当前误差
 84     S = errType(dataSet)
 85     # 最小误差
 86     bestS = inf; 
 87     # 最小误差对应的划分方式
 88     bestIndex = 0; 
 89     bestValue = 0
 90     
 91     # 对于所有特征
 92     for featIndex in range(n-1):
 93         # 对于某个特征的所有特征值
 94         for splitVal in set(dataSet[:,featIndex]):
 95             # 划分
 96             mat0, mat1 = binSplitDataSet(dataSet, featIndex, splitVal)
 97             # 如果划分后某个子集中的个数不达标
 98             if (shape(mat0)[0] < tolN) or (shape(mat1)[0] < tolN): continue
 99             # 当前划分方式的误差
100             newS = errType(mat0) + errType(mat1)
101             # 如果这种划分方式的误差小于最小误差
102             if newS < bestS: 
103                 bestIndex = featIndex
104                 bestValue = splitVal
105                 bestS = newS
106     
107     # 如果当前划分方式还不如不划分时候的误差效果
108     if (S - bestS) < tolS: 
109         return None, leafType(dataSet)
110     # 按照最优划分方式进行划分
111     mat0, mat1 = binSplitDataSet(dataSet, bestIndex, bestValue)
112     # 如果划分后某个子集中的个数不达标
113     if (shape(mat0)[0] < tolN) or (shape(mat1)[0] < tolN):
114         return None, leafType(dataSet)
115     
116     return bestIndex,bestValue
117 
118 #========================================
119 # 输入:
120 #        dataSet: 数据集
121 #        leafType: 叶子节点生成器
122 #        errType: 误差统计器
123 #        ops: 相关参数
124 # 输出:
125 #        retTree: 回归树
126 #========================================
127 def createTree(dataSet, leafType=regLeaf, errType=regErr, ops=(1,4)):
128     ‘构建回归树‘
129     
130     # 选择最佳划分方式
131     feat, val = chooseBestSplit(dataSet, leafType, errType, ops)
132     # feat为None的时候无需划分返回叶子节点
133     if feat == None: return val #if the splitting hit a stop condition return val
134     
135     # 递归调用构建函数并更新树
136     retTree = {}
137     retTree[‘spInd‘] = feat
138     retTree[‘spVal‘] = val
139     lSet, rSet = binSplitDataSet(dataSet, feat, val)
140     retTree[‘left‘] = createTree(lSet, leafType, errType, ops)
141     retTree[‘right‘] = createTree(rSet, leafType, errType, ops)
142     
143     return retTree  
144 
145 def test():
146     ‘展示结果‘
147     
148     # 载入数据
149     myDat = loadDataSet(‘/home/fangmeng/ex0.txt‘)
150     # 构建回归树
151     myDat = mat(myDat)
152     
153     print createTree(myDat)
154     
155     
156 if __name__ == ‘__main__‘:
157     test()
技术分享

       测试结果:

技术分享

回归树的优化工作 - 剪枝

       在上面的代码中,终止递归的条件中已经加入了重重的 "剪枝" 工作。

       这些在建树的时候的剪枝操作通常被成为预剪枝。这是很有很有必要的,经过预剪枝的树几乎就是没有预剪枝树的大小的百分之一甚至更小,而性能相差无几。

       而在树建立完毕之后,基于训练集和测试集能做更多更高效的剪枝工作,这些工作叫做 "后剪枝"。

       可见,剪枝是一项较大的工作量,是对树非常关键的优化过程。

       后剪枝过程的伪代码如下:

1 基于已有的树切分测试数据:
2     如果存在任一子集是一棵树,则在该子集上递归该过程。
3     计算将当前两个叶节点合并后的误差
4     计算不合并的误差
5     如果合并会降低误差,则将叶节点合并。

       具体实现函数如下:

技术分享
 1 #===================================
 2 # 输入:
 3 #        obj: 判断对象
 4 # 输出:
 5 #        (type(obj).__name__==‘dict‘): 判断结果
 6 #===================================
 7 def isTree(obj):
 8     ‘判断对象是否为树类型‘
 9     
10     return (type(obj).__name__==‘dict‘)
11 
12 #===================================
13 # 输入:
14 #        tree: 处理对象
15 # 输出:
16 #        (tree[‘left‘]+tree[‘right‘])/2.0: 坍塌后的替代值
17 #===================================
18 def getMean(tree):
19     ‘坍塌处理‘
20     
21     if isTree(tree[‘right‘]): tree[‘right‘] = getMean(tree[‘right‘])
22     if isTree(tree[‘left‘]): tree[‘left‘] = getMean(tree[‘left‘])
23     
24     return (tree[‘left‘]+tree[‘right‘])/2.0
25   
26 #===================================
27 # 输入:
28 #        tree: 处理对象
29 #        testData: 测试数据集
30 # 输出:
31 #        tree: 剪枝后的树
32 #===================================  
33 def prune(tree, testData):
34     ‘后剪枝‘
35     
36     # 无测试数据则坍塌此树
37     if shape(testData)[0] == 0: 
38         return getMean(tree)
39     
40     # 若左/右子集为树类型
41     if (isTree(tree[‘right‘]) or isTree(tree[‘left‘])):
42         # 划分测试集
43         lSet, rSet = binSplitDataSet(testData, tree[‘spInd‘], tree[‘spVal‘])
44     # 在新树新测试集上递归进行剪枝
45     if isTree(tree[‘left‘]): tree[‘left‘] = prune(tree[‘left‘], lSet)
46     if isTree(tree[‘right‘]): tree[‘right‘] =  prune(tree[‘right‘], rSet)
47     
48     # 如果两个子集都是叶子的话,则在进行误差评估后决定是否进行合并。
49     if not isTree(tree[‘left‘]) and not isTree(tree[‘right‘]):
50         lSet, rSet = binSplitDataSet(testData, tree[‘spInd‘], tree[‘spVal‘])
51         errorNoMerge = sum(power(lSet[:,-1] - tree[‘left‘],2)) +sum(power(rSet[:,-1] - tree[‘right‘],2))
52         treeMean = (tree[‘left‘]+tree[‘right‘])/2.0
53         errorMerge = sum(power(testData[:,-1] - treeMean,2))
54         if errorMerge < errorNoMerge: 
55             return treeMean
56         else: return tree
57     else: return tree
技术分享

模型树

       这也是一种很棒的树回归算法。

       该算法将所有的叶子节点不是表述成一个值,而是对叶子部分节点建立线性模型。比如可以是最小二乘法的基本线性回归模型。

       这样在叶子节点里存放的就是一组线性回归系数了。非叶子节点部分构造就和回归树一样。

       这个是上面建立回归树算法的函数头:

       createTree(dataSet, leafType=regLeaf, errType=regErr, ops=(1,4)):

       对于模型树,只需要修改修改 leafType(叶节点构造器) 和 errType(误差分析器) 的实现即可,分别对应如下modelLeaf 函数和 modelErr 函数:

技术分享
 1 #=========================
 2 # 输入:
 3 #        dataSet: 测试集
 4 # 输出:
 5 #        ws,X,Y: 回归模型
 6 #=========================
 7 def linearSolve(dataSet):
 8     ‘辅助函数,用于构建线性回归模型。‘
 9     
10     m,n = shape(dataSet)
11     X = mat(ones((m,n))); 
12     Y = mat(ones((m,1)))
13     X[:,1:n] = dataSet[:,0:n-1]; 
14     Y = dataSet[:,-1]
15     xTx = X.T*X
16     if linalg.det(xTx) == 0.0:
17         raise NameError(‘系数矩阵不可逆‘)
18     ws = xTx.I * (X.T * Y)
19     return ws,X,Y
20 
21 #=======================
22 # 输入:
23 #       dataSet: 数据集
24 # 输出:
25 #        ws: 回归系数
26 #=======================
27 def modelLeaf(dataSet):
28     ‘叶节点构造器‘
29     
30     ws,X,Y = linearSolve(dataSet)
31     return ws
32 
33 #=======================================
34 # 输入:
35 #       dataSet: 数据集
36 # 输出:
37 #        sum(power(Y - yHat,2)): 平方误差
38 #=======================================
39 def modelErr(dataSet):
40     ‘误差分析器‘
41     
42     ws,X,Y = linearSolve(dataSet)
43     yHat = X * ws
44     return sum(power(Y - yHat,2))
技术分享

回归树 / 模型树的使用

       前面的工作主要介绍了两种树 - 回归树,模型树的构建,下面进一步学习如何利用这些树来进行预测。

       当然,本质也就是递归遍历树。

       下为遍历代码,通过修改参数设置要使用并传递进来的是回归树还是模型树:

技术分享
 1 #==============================
 2 # 输入:
 3 #       model: 叶子
 4 #       inDat: 测试数据
 5 # 输出:
 6 #        float(model): 叶子值
 7 #==============================
 8 def regTreeEval(model, inDat):
 9     ‘回归树预测‘
10     
11     return float(model)
12 
13 #==============================
14 # 输入:
15 #       model: 叶子
16 #       inDat: 测试数据
17 # 输出:
18 #        float(X*model): 叶子值
19 #==============================
20 def modelTreeEval(model, inDat):
21     ‘模型树预测‘
22     n = shape(inDat)[1]
23     X = mat(ones((1,n+1)))
24     X[:,1:n+1]=inDat
25     return float(X*model)
26 
27 #==============================
28 # 输入:
29 #        tree: 待遍历树
30 #        inDat: 测试数据
31 #        modelEval: 叶子值获取器
32 # 输出:
33 #        分类结果
34 #==============================
35 def treeForeCast(tree, inData, modelEval=regTreeEval):
36     ‘使用回归/模型树进行预测 (modelEval参数指定)‘
37     
38     # 如果非树类型,返回值。
39     if not isTree(tree): return modelEval(tree, inData)
40     
41     # 左遍历
42     if inData[tree[‘spInd‘]] > tree[‘spVal‘]:
43         if isTree(tree[‘left‘]): return treeForeCast(tree[‘left‘], inData, modelEval)
44         else: return modelEval(tree[‘left‘], inData)
45         
46     # 右遍历
47     else:
48         if isTree(tree[‘right‘]): return treeForeCast(tree[‘right‘], inData, modelEval)
49         else: return modelEval(tree[‘right‘], inData)
技术分享

       使用方法非常简单,将树和要分类的样本传递进去就可以了。如果是模型树就将分类函数 treeForeCast 的第三个参数改为modelTreeEval即可。

       这里就不再演示实验具体过程了。

小结

       1. 选择哪个回归方法,得看哪个方法的相关系数高。(可使用 corrcoef 函数计算)

       2. 树的回归和分类算法其实本质上都属于贪心算法,不断去寻找局部最优解。

       3. 关于回归的讨论就先告一段落,接下来将进入到无监督学习部分。

cart树回归及其剪枝的python实现

标签:原则   new   author   readlines   输入   txt   模型   tar   auth   

原文地址:http://www.cnblogs.com/fujian-code/p/7637722.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!