决策树分类器简单实现

2744557306

这段代码实现了一个基本的决策树分类器，下面对代码进行详细解析。

### 类 `tree`
( h) [8 }9 C( C! B) Q
' B& i/ v2 u0 @' S& b这个类包含了决策树的基本功能，包括计算基尼指数、构建树、训练和预测等。

#### 1. **初始化方法 `__init__`**
$ i" z+ L9 F& G# h; N: J- **参数**:
  - `feature`: 输入特征数据。
  - `label`: 对应的标签（目标值）。
3 F4 I( C* T- m) H: Z% @" C% _- **功能**: 将特征和标签保存为类的属性，以备后续使用。
, ?. \; S0 q) f" h5 q
#### 2. **方法 `Gini`**
- **参数**:
; ^$ R5 Z; D. o- L9 r  - `dataset`: 一个类别标签数组。
  z% W% J# |" i/ Y$ x$ u$ {- ^- **功能**: 计算给定数据集的基尼指数（Gini impurity）。
- **流程**:
0 P4 x3 z2 \! _% t4 H) U8 Q$ j4 _  - 首先获取数据集中不同类别（标签）的集合。
& N% F+ a5 Q( u4 [9 Y7 r# B' m5 P  {  - 对于每个类别，计算其在数据集中出现的概率，并将其平方后累加。
7 h! ?" p' ?6 ]4 H  - 返回 \(1 - \text{sum}\) 作为基尼指数，值越小表示纯度越高。

( a* `$ z6 w  K: j7 O8 o#### 3. **方法 `cmpgini`**
- S6 t# U/ v' [# z9 i- **参数**:
  - `feature`: 当前特征列。
# g; g* I& ?1 `, N+ p  - `label`: 对应的标签。
/ ^: i5 E7 X$ u+ U" h  y* p# a# Z- **功能**: 计算当前特征对标签的基尼划分，选择出可以最小化基尼指数的特征值。
) s4 [5 D# |( W, |( w- **流程**:
  - 遍历特征列中的唯一值，计算每个特征值的基尼指数。
4 h1 m& k" L4 v% [$ y  - 根据特征值划分数据集，计算各自的基尼指数并加权求和，找到最小的基尼，加上特征对应的值返回。

1 k# M& X. d* d6 L, J& s#### 4. **方法 `maketree`**
- **参数**:
" D9 s6 d: m0 K; o  - `feature`: 当前特征数据。
  - `label`: 当前标签数据。
- **功能**: 根据特征和标签递归构建决策树。
- N7 [- ?" C4 S$ O- **流程**:
! e! z  R8 y8 c, c4 n  - 首先判断当前标签是否单一（即所有标签相同），如果是，返回该标签。
  - 计算所有特征列的基尼指数，找到最优特征及其值。
3 ?  i+ t( f' a4 b2 F2 W- o' i  - 如果最小基尼指数等于 1，则返回标签。
  - 将数据集按照最优特征值分为左右子集，并递归调用 `maketree`。
  - 返回树的结构：[(特征索引, 该特征的最优值), 左子树, 右子树]。

: w  F8 @3 K. w- N. J+ @#### 5. **方法 `train`**
. d# F: Q, I) G6 e- **功能**: 训练决策树，调用 `maketree` 方法构建树，并保存最终结果。
3 k% _/ n0 Y4 y+ G' R- **作用**: 结果存储在 `self.train_result` 属性中。

- {/ j% Q) b/ E* k#### 6. **方法 `prediction`**
- **参数**:
" m7 g. T2 e$ N; q4 N0 ~) ~  - `Mat`: 待预测的特征矩阵。
- **功能**: 根据训练得到的决策树进行分类预测。
* Z8 p& j' l" p( V. V- **流程**:
  - 遍历每个样本，通过树结构进行预测。
  - 在树的每一层，根据特征值值进行左右子树的选择，直到到达叶子节点。
  - 返回每个样本的预测结果。

#### 7. **方法 `isLeaf`**
- **参数**:
- j7 f- Q4 ?6 L1 T& B7 Q  - `tree`: 当前树的节点。
- **功能**: 判断当前节点是否为叶子节点。
# s4 j6 C: _) x/ Y+ r/ X1 l# I- **返回值**: 如果是叶子节点返回 True，否则返回 False。
: C9 q9 K% j3 w# c1 w
) R$ J) k0 s5 F& L3 y  T0 [& v#### 8. **方法 `getLeft` 和 `getRight`**
- **参数**:
1 z% m. t  Z2 K" E  - `tree`: 当前树节点。
7 ~- X& y5 I; Q) |: y- **功能**: 分别获取当前节点的左子树和右子树。
. ?; S9 B  M! M, Z# w& k# J- **返回值**: 返回子树。
- n8 ~4 y" S( C% z/ i$ }# a0 [
### 总结
  W# K! f6 x% m$ V4 n9 q该代码实现了一个基本的决策树分类器，主要功能包括：
: p5 q5 _3 O8 Z# Q+ Q+ x. K1 f1 G' ~/ H0 w- 计算数据集的基尼指数。
- 根据特征和标签构建决策树。
. P7 o( _5 x. Y  x: `- 利用训练得到的树对新样本进行分类预测。
% a- ]% b. X/ L+ i/ e
- i6 Q3 Y2 L  p8 Z, ^该决策树是通过递归的方法构建的，将数据集根据特征进行分割，最终形成由节点和叶子组成的树形结构。叶子节点代表最终的分类结果。这个实现是决策树算法的基础，适合用于分类任务。
; G) D9 _) m; I; D/ J& G

9 S8 t" _7 `7 \4 n, B& j