CART算法的树回归:

返回的每个节点最后是一个最终确定的平均值。

#coding:utf-8import numpy as np# 加载文件数据def loadDataSet(fileName):      #general function to parse tab -delimited floats    dataMat = []                #assume last column is target value    fr = open(fileName)    for line in fr.readlines():        curLine = line.strip().split('\t')        fltLine = map(float,curLine) #map all elements to float()        dataMat.append(fltLine)    return dataMat#在dataset中选择特征为feature的这一列,以value值分成两部分def binSplitDataSet(dataSet, feature, value):    mat0 = dataSet[np.nonzero(dataSet[:,feature] > value)[0],:][0]    mat1 = dataSet[np.nonzero(dataSet[:,feature] <= value)[0],:][0]    return mat0,mat1#计算此矩阵的最后一列结果的平均值,用平均值来当做最后的返回结果,后面的模型树返回的是一个 线性模型def regLeaf(dataSet):    return np.mean(dataSet[:,-1])#计算dataset结果的混乱程度,用方差反应,因为是连续数据def regErr(dataSet):    return np.var(dataSet[:,-1]) * np.shape(dataSet)[0]#选择最佳的分离特征和该特征的分离点#这里的ops是预先的给定值,1是差别太小就不分了,4是分开后的各自样本数,太小就舍去,这是一  种预剪枝方法def chooseBestSplit(dataSet, leafType=regLeaf, errType=regErr, ops=(1,4)):    tolS = ops[0]; tolN = ops[1]    #if all the target variables are the same value: quit and return value    if len(set(dataSet[:,-1].T.tolist()[0])) == 1: #exit cond 1        return None, leafType(dataSet)    m,n = np.shape(dataSet)    #the choice of the best feature is driven by Reduction in RSS error from mean    S = errType(dataSet)    bestS = np.inf; bestIndex = 0; bestValue = 0    #循环所有的特征    for featIndex in range(n-1):        #循环该特征下的所有特征值        for splitVal in set(dataSet[:,featIndex]):            mat0, mat1 = binSplitDataSet(dataSet, featIndex, splitVal)            #如果更具这个特征值分成的两类有一个小与预先给定值,说明分类太偏,则不考虑            if (np.shape(mat0)[0] < tolN) or (np.shape(mat1)[0] < tolN): continue            newS = errType(mat0) + errType(mat1)            if newS < bestS:                bestIndex = featIndex                bestValue = splitVal                bestS = newS    #if the decrease (S-bestS) is less than a threshold don't do the split    if (S - bestS) < tolS:        return None, leafType(dataSet) #exit cond 2    mat0, mat1 = binSplitDataSet(dataSet, bestIndex, bestValue)    if (np.shape(mat0)[0] < tolN) or (np.shape(mat1)[0] < tolN):  #exit cond 3        return None, leafType(dataSet)    return bestIndex,bestValue              #创建树def createTree(dataSet, leafType=regLeaf, errType=regErr, ops=(1,4)):       feat, val = chooseBestSplit(dataSet, leafType, errType, ops)           if feat == None: return val                                            retTree = {}    retTree['spInd'] = feat    retTree['spVal'] = val    lSet, rSet = binSplitDataSet(dataSet, feat, val)    retTree['left'] = createTree(lSet, leafType, errType, ops)    retTree['right'] = createTree(rSet, leafType, errType, ops)    return retTreemyDat = loadDataSet('ex0.txt')myMat = np.mat(myDat)result = createTree(myMat)print result

结果:

{'spInd': 1, 'spVal': matrix(` 0`.`39435`), 'right': {'spInd': 1, 'spVal': matrix(` 0`.`197834`), 'right': -0.023838155555555553, 'left': 1.0289583666666666}, 'left': {'spInd': 1, 'spVal': matrix(` 0`.`582002`), 'right': 1.980035071428571, 'left': {'spInd': 1, 'spVal': matrix(` 0`.`797583`), 'right': 2.9836209534883724, 'left': 3.9871631999999999}}}

结果的意思是:第几个特征,以多大作为特征值分开,分成左右,依次分下去。

这个算法很好,但是对数据的分类太过于高,容易造成过拟合。因此要采用剪枝技术。

通过降低决策树的复杂度来避免过拟合的过程称为剪枝。

#判断obj是否是一个子树def isTree(obj):    return (type(obj).__name__=='dict')#用于坍塌处理,当测试数据集是空是,则取整个树的平均值def getMean(tree):    if isTree(tree['right']): tree['right'] = getMean(tree['right'])    if isTree(tree['left']): tree['left'] = getMean(tree['left'])    return (tree['left']+tree['right'])/2.0#剪枝函数def prune(tree, testData):        #如果测试数据集为空,则坍塌处理    if np.shape(testData)[0] == 0: return getMean(tree)           #如果左或者右是树,则把测试数据集根据决策树进行分割    if (isTree(tree['right']) or isTree(tree['left'])):        lSet, rSet = binSplitDataSet(testData, tree['spInd'], tree['spVal'])        #如果左侧是树,则把数据集和子树带入继续找    if isTree(tree['left']): tree['left'] = prune(tree['left'], lSet)    #同理    if isTree(tree['right']): tree['right'] =  prune(tree['right'], rSet)    #if they are now both leafs, see if we can merge them    #如果左右都是节点,则计算节点误差    if not isTree(tree['left']) and not isTree(tree['right']):        lSet, rSet = binSplitDataSet(testData, tree['spInd'], tree['spVal'])        #计算不合并的误差        errorNoMerge = sum(np.power(lSet[:,-1] - tree['left'],2)) + sum(np.power(rSet[:,-1] - tree['right'],2))        treeMean = (tree['left']+tree['right'])/2.0        #计算将当前两个叶子节点合并后的误差        errorMerge = sum(np.power(testData[:,-1] - treeMean,2))        if errorMerge < errorNoMerge:            print "merging"            #可以合并就返回平均值            return treeMean        #不可以合并就返回树,不变        else: return tree    else: return tree

一般来说都是预剪枝和后剪枝合并使用

模型树

每个节点是一个线性模型

其他基本一样:

#对数据集进行线性回归def linearSolve(dataSet):    m,n = np.shape(dataSet)    X = np.mat(np.ones((m,n))); Y = np.mat(np.ones((m,1)))    #有一列是常数项,因此要多出一列放置常数项    X[:,1:n] = dataSet[:,0:n-1]; Y = dataSet[:,-1]    xTx = X.T*X    if np.linalg.det(xTx) == 0.0:        raise NameError('This matrix is singular, cannot do inverse,\n\        try increasing the second value of ops')    ws = xTx.I * (X.T * Y)    return ws,X,Y#产生针对该数据集的线性模型#相当于上面的regLeaf函数def modelLeaf(dataSet):    ws,X,Y = linearSolve(dataSet)    return ws#产生针对该数据集的线性模型,并计算误差返回#相当于上面的regErr函数,计算模型的误差,如果分后和不分的误差差不多则选择不分def modelErr(dataSet):    ws,X,Y = linearSolve(dataSet)    yHat = X * ws    return sum(np.power(Y - yHat,2))

模型树回归很好,而且可以用作预测