机器学习 - 使用 ID3 算法从原理到实际举例理解决策树

一、什么是决策树

1.基本概念

决策树是一种树形结构，由结点（node） 和有向边（directed edge） 组成。其中结点分为两类：

• 内部结点（internal node）：表示一个属性（特征）

• 叶结点（leaf node）：表示一个类别

决策树是常用的分类机器学习方法。

2.实际举例说明

以 “相亲对象分类系统” 为例构建简单决策树：

• 内部结点（长方形）：特征 “有无房子”“有无上进心”

• 叶结点（椭圆形）：类别 “值得考虑”“备胎”“Say Goodbye”

• 分类逻辑：

• 相亲对象有房子→划分为 “值得认真考虑”

• 没有房子但有上进心→划分为 “备胎”既没有房子也没有上进心→划分为 “Say Goodbye

• 

实际分类中存在多个特征量，可构建多种决策树，核心问题是如何筛选出最优决策树。

二、介绍建立决策树的算法

决策树算法的核心差异在于特征选择指标，常见算法对比如下：

本文重点讲解ID3 算法，以下是其核心概念与公式：

1. 某个分类的信息

单个分类的信息表示该分类的不确定性，公式为：

其中，P(x_i) 是选择该分类的概率。

2. 熵（Entropy）

熵是随机变量不确定性的度量，定义为信息的期望值，公式为：

其中，n 是分类的数目；熵值越大，数据不确定性越高。

3. 经验熵（Empirical Entropy）

4. 条件熵（Conditional Entropy）

已知随机变量 X 的条件下，随机变量 Y 的不确定性，公式为：

其中，p_i 是 X=x_i 的概率，H(Y|X=x_i) 是 X=x_i 时 Y 的熵。

5. 信息增益（Information Gain）

样本集 D 的经验熵 H(D) 与特征 A 给定条件下 D 的经验条件熵 H(D|A) 之差，公式为：

关键结论：特征的信息增益值越大，该特征对分类的贡献越强，应优先作为决策树的上层结点。

三、决策树的一般流程

决策树构建分为 6 个步骤，适用于各类决策树算法：

1. 收集数据：通过爬虫、问卷、数据库查询等方式获取原始数据，无固定方法。

1. 准备数据：树构造算法仅支持标称型数据（离散类别数据），需将数值型数据离散化（如将 “年龄 20-30” 划分为 “青年”）。

1. 分析数据：构建树后，通过可视化、误差分析等方式验证树结构是否符合预期。

1. 训练算法：根据特征选择指标（如 ID3 的信息增益），递归构建决策树的数据结构。

1. 测试算法：使用测试集计算决策树的错误率，评估模型性能。

1. 使用算法：将训练好的决策树应用于实际场景（如贷款审批、客户分类），并持续迭代优化。

四、实际举例构建决策树

以 “贷款申请分类” 为例，使用 ID3 算法构建决策树。

1. 数据集准备

贷款申请样本数据表（原始）

数据编码（标称化处理）

• 年龄：0 = 青年，1 = 中年，2 = 老年

• 有工作：0 = 否，1 = 是

• 有自己的房子：0 = 否，1 = 是

• 信贷情况：0 = 一般，1 = 好，2 = 非常好

• 类别：no = 否，yes = 是

数据集代码定义

from math import log
def createDataSet():dataSet = [[0, 0, 0, 0, 'no'],    # 样本1[0, 0, 0, 1, 'no'],    # 样本2[0, 1, 0, 1, 'yes'],   # 样本3[0, 1, 1, 0, 'yes'],   # 样本4[0, 0, 0, 0, 'no'],    # 样本5[1, 0, 0, 0, 'no'],    # 样本6[1, 0, 0, 1, 'no'],    # 样本7[1, 1, 1, 1, 'yes'],   # 样本8[1, 0, 1, 2, 'yes'],   # 样本9[1, 0, 1, 2, 'yes'],   # 样本10[2, 0, 1, 2, 'yes'],   # 样本11[2, 0, 1, 1, 'yes'],   # 样本12[2, 1, 0, 1, 'yes'],   # 样本13[2, 1, 0, 2, 'yes'],   # 样本14[2, 0, 0, 0, 'no']     # 样本15]labels = ['年龄', '有工作', '有自己的房子', '信贷情况']  # 特征标签labels1 = ['放贷', '不放贷']  # 分类标签return dataSet, labels, labels1  # 返回数据集、特征标签、分类标签

2. 计算经验熵 H (D)

数学计算

样本集 D 共 15 个样本，其中 “放贷（yes）”9 个，“不放贷（no）”6 个，经验熵为：

代码实现

def calcShannonEnt(dataSet):numEntires = len(dataSet)  # 数据集行数（样本数）labelCounts = {}  # 存储每个标签的出现次数for featVec in dataSet:currentLabel = featVec[-1]  # 提取最后一列（分类标签）if currentLabel not in labelCounts.keys():labelCounts[currentLabel] = 0labelCounts[currentLabel] += 1  # 标签计数shannonEnt = 0.0  # 初始化经验熵for key in labelCounts:prob = float(labelCounts[key]) / numEntires  # 标签出现概率shannonEnt -= prob * log(prob, 2)  # 计算经验熵return shannonEnt# 测试代码
if __name__ == '__main__':dataSet, features, labels1 = createDataSet()print("数据集：", dataSet)print("经验熵H(D)：", calcShannonEnt(dataSet))  # 输出：0.9709505944546686

3. 计算信息增益（选择最优特征）

数学计算（以 “有自己的房子” 为例）

设特征 A_3（有自己的房子），取值为 “是（1）” 和 “否（0）”：

• 子集 D_1（A_3=1）：共 9 个样本，均为 “yes”，经验熵 H(D_1)=0

• 子集 D_2（A_3=0）：共 6 个样本，“yes” 3 个、“no” 3 个
• 经验熵 

• 条件熵 

• 信息增益 （注：原文计算结果为 0.420，此处以原文代码输出为准）

其他特征的信息增益计算结果：

• 年龄（A_1）：0.083

• 有工作（A_2）：0.324

• 信贷情况（A_4）：0.363

结论：特征 “有自己的房子（A_3）” 信息增益最大，作为决策树的根节点。

代码实现

"""
函数：按照给定特征划分数据集
参数：dataSet - 待划分数据集axis - 特征索引value - 特征取值
返回：retDataSet - 划分后的子集
"""
def splitDataSet(dataSet, axis, value):retDataSet = []for featVec in dataSet:if featVec[axis] == value:reducedFeatVec = featVec[:axis]  # 去掉当前特征列reducedFeatVec.extend(featVec[axis+1:])  # 拼接剩余列retDataSet.append(reducedFeatVec)return retDataSet"""
函数：选择最优特征
参数：dataSet - 数据集
返回：bestFeature - 最优特征索引
"""
def chooseBestFeatureToSplit(dataSet):numFeatures = len(dataSet[0]) - 1  # 特征数量（减去分类列）baseEntropy = calcShannonEnt(dataSet)  # 基础经验熵bestInfoGain = 0.0  # 最优信息增益bestFeature = -1  # 最优特征索引for i in range(numFeatures):featList = [example[i] for example in dataSet]  # 提取第i列特征uniqueVals = set(featList)  # 特征的唯一取值newEntropy = 0.0  # 条件熵for value in uniqueVals:subDataSet = splitDataSet(dataSet, i, value)  # 划分子集prob = len(subDataSet) / float(len(dataSet))  # 子集概率newEntropy += prob * calcShannonEnt(subDataSet)  # 累加条件熵infoGain = baseEntropy - newEntropy  # 计算信息增益print(f"第{i}个特征（{labels[i]}）的增益为：{infoGain:.3f}")if infoGain > bestInfoGain:bestInfoGain = infoGainbestFeature = ireturn bestFeature# 测试代码
if __name__ == '__main__':dataSet, labels, labels1 = createDataSet()bestFeature = chooseBestFeatureToSplit(dataSet)print(f"最优特征索引值：{bestFeature}（对应特征：{labels[bestFeature]}）")# 输出：最优特征索引值：2（对应特征：有自己的房子）

4. 生成决策树（递归构建）

核心逻辑

1. 若样本集所有样本属于同一类别，直接返回该类别（叶节点）；
2. 若无特征可划分或样本特征全相同，返回出现次数最多的类别（叶节点）；
3. 选择最优特征作为当前节点，按特征取值划分子集；
4. 对每个子集递归执行上述步骤，生成子树。

代码实现

import operator"""
函数：统计出现次数最多的类别
参数：classList - 类别列表
返回：sortedClassCount[0][0] - 最多类别
"""
def majorityCnt(classList):classCount = {}for vote in classList:if vote not in classCount.keys():classCount[vote] = 0classCount[vote] += 1# 按类别次数降序排序sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)return sortedClassCount[0][0]"""
函数：创建决策树
参数：dataSet - 训练集labels - 特征标签featLabels - 存储选择的最优特征
返回：myTree - 决策树（字典结构）
"""
def createTree(dataSet, labels, featLabels):classList = [example[-1] for example in dataSet]  # 提取所有类别# 情况1：所有样本类别相同if classList.count(classList[0]) == len(classList):return classList[0]# 情况2：无特征可划分或特征全相同if len(dataSet[0]) == 1 or len(labels) == 0:return majorityCnt(classList)# 情况3：递归构建树bestFeat = chooseBestFeatureToSplit(dataSet)  # 最优特征索引bestFeatLabel = labels[bestFeat]  # 最优特征标签featLabels.append(bestFeatLabel)myTree = {bestFeatLabel: {}}  # 决策树字典del(labels[bestFeat])  # 删除已使用的特征标签featValues = [example[bestFeat] for example in dataSet]  # 最优特征的所有取值uniqueVals = set(featValues)  # 唯一取值for value in uniqueVals:subLabels = labels[:]  # 复制特征标签（避免递归修改原列表）# 递归生成子树myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value), subLabels, featLabels)return myTree# 测试代码
if __name__ == '__main__':dataSet, labels, labels