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`

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。
! o5 b) B- v# Q& l$ M# p- h
#### 1. **初始化方法 `__init__`**
* d( M6 c4 R9 }! ~- **参数**:
' ~5 g! e. W/ W$ T- M  a  - `feature`: 输入特征数据。
  - `label`: 对应的标签（目标值）。
- **功能**: 将特征和标签保存为类的属性，以备后续使用。

#### 2. **方法 `Gini`**
- **参数**:
" ?) |  @9 X5 l9 I" J: ]  - `dataset`: 一个类别标签数组。
- **功能**: 计算给定数据集的基尼指数（Gini impurity）。
- **流程**:
  - 首先获取数据集中不同类别（标签）的集合。
  - 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。
& \  y  s, h  B  - 返回 \(1 - \text{sum}\) 作为基尼指数，值越小表示纯度越高。

4 B9 v3 K, T% F, p/ |7 i6 f. D#### 3. **方法 `cmpgini`**
, Y* O- L6 i! b! H+ _- **参数**:
. k) B! o$ ]3 k2 L$ a* p  - `feature`: 当前特征列。
, M) q" c; d% a6 b/ @9 w  - `label`: 对应的标签。
- **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。
- **流程**:
  - 遍历特征列中的唯一值，计算每个特征值的基尼指数。
  - 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。
4 q8 q' R$ N4 C/ t
#### 4. **方法 `maketree`**
- **参数**:
. T. K( O/ L: k  - `feature`: 当前特征数据。
  - `label`: 当前标签数据。
% O& [: V7 Z, P+ P- **功能**: 根据特征和标签递归构建决策树。
- **流程**:
  - 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。
" D9 j: A; w0 j; D8 K  - 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]。

$ B- E! _! m/ V$ P* o. B#### 5. **方法 `train`**
- **功能**: 训练决策树，调用 `maketree` 方法构建树，并保存最终结果。
+ V- O# m0 t$ o- **作用**: 结果存储在 `self.train_result` 属性中。
% k9 [0 o: A! _  J* ~% f4 L
#### 6. **方法 `prediction`**
- **参数**:
  - `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。
  j" Z2 o6 a' ^& t- **流程**:
% D& x) V8 J( V/ Z( G! `  j  - 遍历每个样本，通过树结构进行预测。
4 S) V. U1 V6 Y( {( g5 P5 [/ ~  - 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。
& m7 V- h% {% m  ^  - 返回每个样本的预测结果。

) ~  X# [; z5 i! F6 G3 w$ M: j: [# ^#### 7. **方法 `isLeaf`**
- **参数**:
  - `tree`: 当前树的节点。
- **功能**: 判断当前节点是否为叶子节点。
- **返回值**: 如果是叶子节点返回 True，否则返回 False。

#### 8. **方法 `getLeft` 和 `getRight`**
- **参数**:
$ w. @( `1 ^- N9 Z4 p  \. P$ _  - `tree`: 当前树节点。
; H8 j% W5 X$ @, q" p- **功能**: 分别获取当前节点的左子树和右子树。
- **返回值**: 返回子树。

+ B1 f# Y/ O) \3 y; \4 R+ k### 总结
该代码实现了一个基本的决策树分类器，主要功能包括：
- 计算数据集的基尼指数。
- 根据特征和标签构建决策树。
5 ?1 X% }, a% ?- s! Q9 w' K- 利用训练得到的树对新样本进行分类预测。
" x7 ~+ P0 l( B. y1 t
$ P: d3 `9 B/ F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。
8 e& C- X! j5 B2 g3 S4 H