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。
: `7 w0 W" E# f1 q) `8 s
1 i' f( p+ x' `; c; h$ K# R' E### 类 `tree`
% ~; g% |% Z6 n
* H5 s* b& y/ }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。
( n% I6 z. s7 w- Q1 s- n
# O( {2 S4 y" H% q5 K* S#### 1. **初始化方法 `__init__`**
3 L% H$ }- g! h1 t% {- **参数**:
  - `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。
# T9 ~# u: i- S. Q* k, y  i2 ^7 s# ]
' Q% \/ `4 ]: j& d* N' W8 Q) z% ]/ K% H#### 2. **方法 `Gini`**
- **参数**:
; d- ?1 ]$ F  {% P& J/ D& q4 ]  - `dataset`: 一个类别标签数组。
' N* }1 |: Q) _1 m$ J+ r& M- **功能**: 计算给定数据集的基尼指数（Gini impurity）。
- **流程**:
2 \9 N" l1 x( r+ j  - 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。
- [4 u) v8 R3 v  - 返回 \(1 - \text{sum}\) 作为基尼指数，值越小表示纯度越高。

, P* Y% U- t( H#### 3. **方法 `cmpgini`**
- **参数**:
4 k9 |. e6 A3 c/ w3 t" ^  - `feature`: 当前特征列。
  - `label`: 对应的标签。
+ `' I- q1 K. T" F$ @. m- **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**:
/ `: Q$ s* V6 n% y3 G) M: r% E  - 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。
3 A3 O4 Y( k0 Q! t+ z1 Z6 `
3 R! `# k; W0 a* k* l#### 4. **方法 `maketree`**
- **参数**:
! S, y& s, d% v( r  - `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。
5 i& D" D1 \' u. U( i) }4 n- **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。
' P$ M+ b. j3 s8 N% Q. v* T  - 计算所有特征列的基尼指数，找到最优特征及其值。
: @; |: a3 t) `1 [2 V  - 如果最小基尼指数等于 1，则返回标签。
& D+ X; `4 {  t  - 将数据集按照最优特征值分为左右子集，并递归调用 `maketree`。
) ], k9 {; [# b" p! }. g* q6 A& k1 q. {  - 返回树的结构：[(特征索引, 该特征的最优值), 左子树, 右子树]。
, D, P' \2 d% [
#### 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。
- **作用**: 结果存储在 `self.train_result` 属性中。

#### 6. **方法 `prediction`**
7 N. L9 y5 O! ]- f. S0 Y& o# t( @- **参数**:
) s) y' u  B' t: O! ^. ^  - `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。
- **流程**:
" @+ J1 ~  h* o  - 遍历每个样本，通过树结构进行预测。
# ]0 u" O$ B% k- O0 b5 r& v  - 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。
* ^$ O& [( l1 V+ t+ g  - 返回每个样本的预测结果。
' S8 n0 Z- F/ r3 `5 q! A
# n6 x+ m4 s0 E! ?6 G#### 7. **方法 `isLeaf`**
" x% M5 D  |' r# |4 C- **参数**:
  - `tree`: 当前树的节点。
- **功能**: 判断当前节点是否为叶子节点。
  z! c3 N" z2 o9 v+ d- **返回值**: 如果是叶子节点返回 True，否则返回 False。
  o# x: h7 L* {( r1 [
#### 8. **方法 `getLeft` 和 `getRight`**
9 U+ L) D9 m' `- **参数**:
  - `tree`: 当前树节点。
9 A$ ^/ ~! X5 A. Y9 A2 o- **功能**: 分别获取当前节点的左子树和右子树。
$ h/ e7 d, V9 ~0 L$ V- **返回值**: 返回子树。
2 o  A; Y" t+ a0 K2 ~7 x+ s
### 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：
2 |4 d$ W7 U8 G( V- 计算数据集的基尼指数。
7 o) ]; P6 u2 N7 b- 根据特征和标签构建决策树。
- 利用训练得到的树对新样本进行分类预测。

3 E8 b: {( w( L0 U/ e( d/ q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 P* [8 u. T) K3 ]6 L" E" r% T# D

- Z/ J" l. x# r, E7 ~' H# j6 S$ U