机器学习中分类和预测算法：
准确率、速度、强壮性、可规模性、可解释性特点
1、什么是决策树？
判定树为一个流程图的树结构，每一个内部节点为一个属性，叶子节点为输出的对象，树的最顶层为根节点。
2、决策树的构造和节点的确定？
2.1熵的概念，信息和抽象，如何度量？1948年，香农提出了 ”信息熵(entropy)“的概念， 一条信息的信息量大小和它的不确定性有直接的关系，要搞清楚一件非常非常不确定的事情，或者 是我们一无所知的事情，需要了解大量信息==>信息量的度量就等于不确定性的多少？ 例子：猜世界杯冠军，假如一无所知，猜多少次？ 每个队夺冠的几率不是相等的， 比特(bit)来衡量信息的多少？
信息获取量(Information Gain)：Gain(A) = Info(D) - Infor_A(D) 通过A来作为节点分类获取了多少信息
类似，Gain(income) = 0.029, Gain(student) = 0.151, Gain(credit_rating)=0.048 所以，选择age作为第一个根节点
3算法流程：
（1）如果样本都在同一个类，则该结点成为树叶，并用该类标号（步骤2 和3）。
（2）否则，算法使用称为信息增益的基于熵的度量作为启发信息，选择能够最好地将样本分类的属性（步骤6）。该属性成为该结点的“测试”或“判定”属性（步骤7）。在算法的该版本中，
（3）所有的属性都是分类的，即离散值。连续属性必须离散化。
（4）对测试属性的每个已知的值，创建一个分枝，并据此划分样本（步骤8-10）。
（5）算法使用同样的过程，递归地形成每个划分上的样本判定树。一旦一个属性出现在一个结点上，就不必该结点的任何后代上考虑它（步骤13）。
递归划分步骤仅当下列条件之一成立停止：
(a) 给定结点的所有样本属于同一类（步骤2 和3）。
(b) 没有剩余属性可以用来进一步划分样本（步骤4）。在此情况下，使用多数表决（步骤5）。
这涉及将给定的结点转换成树叶，并用样本中的多数所在的类标记它。替换地，可以存放结
点样本的类分布。
(c) 分枝
test_attribute = a i 没有样本（步骤11）。在这种情况下，以 samples 中的多数类
创建一个树叶（步骤12）
4、其他算法
Classification and Regression Trees (CART): (L. Breiman, J. Friedman, R. Olshen, C. Stone)
共同点：都是贪心算法，自上而下(Top-down approach)
区别：属性选择度量方法不同： C4.5 （gain ratio), CART(gini index), ID3 (Information Gain)
4、树剪枝（避免overfitting）
4.1先剪枝、后剪枝
5. 决策树的优点：
直观，便于理解，小规模数据集有效
6. 决策树的缺点：
处理连续变量不好、类别较多时，错误增加的比较快、可规模性一般
算法实现（Python）
from sklearn.feature_extractionimport DictVectorizer
import csv
from sklearnimport preprocessing
from sklearnimport tree
from sklearn.externals.siximport StringIO#格式的预处理
#读取文件
allElectronicsData=open(r'test.csv','rt')#读取csv文件
reader=csv.reader(allElectronicsData)
headers=next(reader)#定义的第一行
print(headers)
featureList=[]#数据的输入特性，使用的是数值型的值
labelList=[]
for rowin reader:
labelList.append(row[len(row)-1])#添加标签，取每行的最后一个数字
#print(labelList)
rowDict={}#取每行的特征值
for iin range(1,len(row)-1):
rowDict[headers[i]]= row[i]#每一行设置字典项
featureList.append(rowDict)
print(featureList)
vec=DictVectorizer()#直接在vec对象上调用方法，对于feature值的转化,转化为0或1的属性
dummyX=vec.fit_transform(featureList).toarray()
print("dummyX:"+str(dummyX))
print(vec.get_feature_names())
print("labelList:"+str(labelList))
lb=preprocessing.LabelBinarizer()#对于label的转化
dummyY=lb.fit_transform(labelList)
print("dummyY:"+str(dummyY))
clf=tree.DecisionTreeClassifier(criterion='entropy')#分类树的参数的选取，基于信息熵来度量标准
clf=clf.fit(dummyX,dummyY)#填入参数，调用fit，构建决策树
print("clf:"+str(clf))
with open("test.dot",'w')as f:
f=tree.export_graphviz(clf,feature_names=vec.get_feature_names(),out_file=f)
#将原0、1的数值转化为属性值
# predict
oneRowX = dummyX[0, :]
print("oneRowX:" +str(oneRowX))
# 修改这一行的数据，然后执行
newRowX = oneRowX
newRowX[0] =1
newRowX[1] =0
print("newRowX:" +str(newRowX))
# 添加一个中括号
predictedY = clf.predict([newRowX])
# print(help(clf.predict))
print("predictedY:" +str(predictedY))
# 将dot文件转化为pdf文件，dot -Tpdf iris.dot -o outpu.pdf
# 决策树转化
# dot -Tpdf D:\PythonWork\TeachingPython\src\DecsionTree\test.dot -o D:\PythonWork\TeachingPython\src\DecsionTree\outpu.pdf
