1、實驗三 決策樹算法實驗一、實驗目的： 熟悉和掌握決策樹的分類原理、實質和過程；掌握典型的學習算法 和實現技術。二、實驗原理: 決策樹學習和分類. 三、實驗條件：四、實驗內容：1 根據現實生活中的原型自己創建一個簡單的決策樹。2 要求用這個決策樹能解決實際分類決策問題。五、實驗步驟：1、驗證性實驗：（1）算法偽代碼 算法Decision_Tree(data,AttributeName) 輸入由離散值屬性描述的訓練樣本集data; 候選屬性集合AttributeName。 輸出一棵決策樹。 （1） 創建節點N； （2） If samples 都在同一類C中then （3） 返回N作為葉節點，以類C

2、標記； （4） If attribute_list為空then （5） 返回N作為葉節點，以samples 中最普遍的類標記；/多數表決 （6） 選擇attribute_list 中具有最高信息增益的屬性test_attribute; （7） 以test_attribute 標記節點N； （8） For each test_attribute 的已知值v /劃分 samples ；（9） 由節點N分出一個對應test_attribute=v的分支； （10令Sv為 samples中 test_attribute=v 的樣本集合；/一個劃分塊 （11）If Sv為空 then （12）加上一個葉

3、節點，以samples中最普遍的類標記； （13）Else 加入一個由Decision_Tree(Sv,attribute_list-test_attribute)返回節點值。（2）實驗數據預處理 Age:30歲以下標記為“1”；30歲以上50歲以下標記為“2”；50歲以上標記為“3”。 Sex：FEMAL-“1”；MALE-“2” Region：INNER CITY-“1”；TOWN-“2”； RURAL-“3”； SUBURBAN-“4” Income：50002萬-“1”；2萬4萬-“2”；4萬以上-“3” 

4、Married Children Car Mortgage Pep：以上五個條件，若為“是”標記為“1”，若為“否”標記為“2”。Age sex region income married children car mortgage pep 1 2 1 1 2 1 1 2 21 2 1 1 2 2 2 2 12 1 4 1 2 1 2 2 1 2 1 1 1 1 2 2 2 21 2 1 1 1 2 2 2 2 1 2 1 1 2 1 2 1 1 2 1 2 1 1 2 1 1 2 2 1 1 1 2 1 1 2 1 2 1 3 1 2 2 1 2 1

5、2 1 2 2 2 1 2 2 2 2 2 1 2 2 2 2 1 1 2 1 2 2 1 1 2 1 1 2 2 1 2 1 2 2 1 2 1 1 1 2 1 2 2 2 1 3 2 1 2 1 1 1 2 2 1 1 1 2 1 1 1 2 1 1 1 3 2 2 2 1 2 1 3 1 2 2 1 2 2 2 1 3 2 3 3 1 1 1 2 1 3 2 2 3 1 2 1 1 2 3 1 3 3 1 1 2 2 1 3 2 1 3 1 2 1 2 2 3 2 1 3 1 1 1 1 1 3 1 1 3 1 2 1 1 2 3 1 3 3 1 2 2 2 2 3 2 4 3 1 2

6、2 1 1 3 1 3 3 2 2 1 1 2（3）Matlab語句：Tree RulesMatrix= DecisionTree(DataSet, AttributName)；六、實驗結果：實驗程序：function Tree RulesMatrix=DecisionTree(DataSet,AttributName)%輸入為訓練集，為離散后的數字，如記錄1：1 1 3 2 1；%前面為屬性列，最后一列為類標if nargin<1 error('請輸入數據集');else if isstr(DataSet) DataSet AttributValue=readdata2

7、(DataSet); else AttributValue=; endendif nargin<2 AttributName=;end Attributs=1:size(DataSet,2)-1; Tree=CreatTree(DataSet,Attributs); disp(char(13) 'The Decision Tree:'); showTree(Tree,0,0,1,AttributValue,AttributName); Rules=getRule(Tree); RulesMatrix=zeros(size(Rules,1),size(DataSet,2);

8、 for i=1:size(Rules,1) rule=cell2struct(Rules(i,1),'str'); rule=str2num(rule.str(1:(find(rule.str='C')-1) rule.str(find(rule.str='C')+1):length(rule.str); for j=1:(length(rule)-1)/2 RulesMatrix(i,rule(j-1)*2+1)=rule(j*2); end RulesMatrix(i,size(DataSet,2)=rule(length(rule); e

9、ndendfunction Tree=CreatTree(DataSet,Attributs) %決策樹程序 輸入為：數據集，屬性名列表 %disp(Attributs); S ValRecords=ComputEntropy(DataSet,0); if(S=0) %當樣例全為一類時退出，返回葉子節點類標 for i=1:length(ValRecords) if(length(ValRecords(i).matrix)=size(DataSet,1) break; end end Tree.Attribut=i; Tree.Child=; return; end if(length(Att

10、ributs)=0) %當條件屬性個數為0時返回占多數的類標 mostlabelnum=0; mostlabel=0; for i=1:length(ValRecords) if(length(ValRecords(i).matrix)>mostlabelnum) mostlabelnum=length(ValRecords(i).matrix); mostlabel=i; end end Tree.Attribut=mostlabel; Tree.Child=; return; end for i=1:length(Attributs) Sa(i) ValRecord=ComputEn

11、tropy(DataSet,i); Gains(i)=S-Sa(i); AtrributMatric(i).val=ValRecord; end maxval maxindex=max(Gains); Tree.Attribut=Attributs(maxindex); Attributs2=Attributs(1:maxindex-1) Attributs(maxindex+1:length(Attributs); for j=1:length(AtrributMatric(maxindex).val) DataSet2=DataSet(AtrributMatric(maxindex).va

12、l(j).matrix',1:maxindex-1) DataSet(AtrributMatric(maxindex).val(j).matrix',maxindex+1:size(DataSet,2); if(size(DataSet2,1)=0) mostlabelnum=0; mostlabel=0; for i=1:length(ValRecords) if(length(ValRecords(i).matrix)>mostlabelnum) mostlabelnum=length(ValRecords(i).matrix); mostlabel=i; end e

13、nd Tree.Child(j).root.Attribut=mostlabel; Tree.Child(j).root.Child=; else Tree.Child(j).root=CreatTree(DataSet2,Attributs2); end end endfunction Entropy RecordVal=ComputEntropy(DataSet,attribut) %計算信息熵 if(attribut=0) clnum=0; for i=1:size(DataSet,1) if(DataSet(i,size(DataSet,2)>clnum) %防止下標越界 cla

14、ssnum(DataSet(i,size(DataSet,2)=0; clnum=DataSet(i,size(DataSet,2); RecordVal(DataSet(i,size(DataSet,2).matrix=; end classnum(DataSet(i,size(DataSet,2)=classnum(DataSet(i,size(DataSet,2)+1; RecordVal(DataSet(i,size(DataSet,2).matrix=RecordVal(DataSet(i,size(DataSet,2).matrix i; end Entropy=0; for j=

15、1:length(classnum) P=classnum(j)/size(DataSet,1); if(P=0) Entropy=Entropy+(-P)*log2(P); end end else valnum=0; for i=1:size(DataSet,1) if(DataSet(i,attribut)>valnum) %防止參數下標越界 clnum(DataSet(i,attribut)=0; valnum=DataSet(i,attribut); Valueexamnum(DataSet(i,attribut)=0; RecordVal(DataSet(i,attribut

16、).matrix=; %將編號保留下來，以方便后面按值分割數據集 end if(DataSet(i,size(DataSet,2)>clnum(DataSet(i,attribut) %防止下標越界 Value(DataSet(i,attribut).classnum(DataSet(i,size(DataSet,2)=0; clnum(DataSet(i,attribut)=DataSet(i,size(DataSet,2); end Value(DataSet(i,attribut).classnum(DataSet(i,size(DataSet,2)= Value(DataSet(

17、i,attribut).classnum(DataSet(i,size(DataSet,2)+1; Valueexamnum(DataSet(i,attribut)= Valueexamnum(DataSet(i,attribut)+1; RecordVal(DataSet(i,attribut).matrix=RecordVal(DataSet(i,attribut).matrix i; end Entropy=0; for j=1:valnum Entropys=0; for k=1:length(Value(j).classnum) P=Value(j).classnum(k)/Valu

18、eexamnum(j); if(P=0) Entropys=Entropys+(-P)*log2(P); end end Entropy=Entropy+(Valueexamnum(j)/size(DataSet,1)*Entropys; end endendfunction showTree(Tree,level,value,branch,AttributValue,AttributName) blank=; for i=1:level-1 if(branch(i)=1) blank=blank ' |' else blank=blank ' ' end en

19、d blank=blank ' ' if(level=0) blank=' (The Root):' else if isempty(AttributValue) blank=blank '|_' int2str(value) '_' else blank=blank '|_' value '_' end end if(length(Tree.Child)=0) %非葉子節點 if isempty(AttributName) disp(blank 'Attribut ' int2st

20、r(Tree.Attribut); else disp(blank 'Attribut ' AttributNameTree.Attribut); end if isempty(AttributValue) for j=1:length(Tree.Child)-1 showTree(Tree.Child(j).root,level+1,j,branch 1,AttributValue,AttributName); end showTree(Tree.Child(length(Tree.Child).root,level+1,length(Tree.Child),branch(1:length(branch)-1) 0 1,AttributValue,AttributName); else for j=1:length(Tree.Child)-1 showTree(Tree.Child(j).root,level+1,AttributValueTree.Attributj,branch 1,AttributValue,AttributName); end showTree(Tree.Child(length(Tree.Child).root,level+1,AttributValueTree.Attributlen