spark mllib 决策树 DT

原创
2016/07/29 15:34
阅读数 450

决策树的优点:

  1. 可以生成可以理解的规则。
  2. 计算量相对来说不是很大。
  3. 可以处理连续和种类字段。
  4. 决策树可以清晰的显示哪些字段比较重要

决策树的缺点:

  1. 对连续性的字段比较难预测。
  2. 对有时间顺序的数据,需要很多预处理的工作。
  3. 当类别太多时,错误可能就会增加的比较快。
  4. 一般的算法分类的时候,只是根据一个字段来分类。

出去玩记录表

出去玩 温度 起风 下雨 湿度
1 1 0 0 1
0 1 0 1 1
0 0 1 0 0
1 1 1 0 0
1 1 0 0 0
1 1 1 0 0

 

运行代码如下

package spark.DT

import org.apache.spark.mllib.tree.DecisionTree
import org.apache.spark.mllib.util.MLUtils
import org.apache.spark.{SparkContext, SparkConf}

/**
  * 决策树使用案例-出去玩
  * **********************************决策树********************************
  * 决策树是一种监督学习,监督学习,就是给定一对样本,每个样本都有一组属性和一个类别,
  * 这些类别是事先确定的,那么通过学习得到一个分类器,这个分类器能够对新出现的对象给
  * 出正确的分类.其原理是:从一组无序无规则的因素中归纳总结出符合要求的分类规则.
  *
  * 决策树算法基础:信息熵,ID3
  * 信息熵:对事件中不确定的信息的度量.一个事件或属性中,其信息熵越大,含有的不确定信
  *   息越大,对数据分析的计算也越有益.故,信息熵的选择总是选择当前事件中拥有最高
  *   信息熵的那个属性作为待测属性.
  * ID3:一种贪心算法,用来构造决策树.以信息熵的下降速度作为测试属性的标准,即在每个
  *   节点选取还尚未被用来划分的,具有最高信息增益的属性作为划分标准,然后继续这个过程,
  *   直到生成的决策树能完美分类训练样例.
  *
  * 使用场景:任何一个只要符合 key-value 模式的分类数据都可以根据决策树进行推断.
  *
  * 决策树用来预测的对象是固定的,丛根到叶子节点的一条特定路线就是一个分类规则,决定
  * 一个分类算法和结果.
  *
  * **********************************决策树********************************
  * Created by eric on 16-7-19.
  */
object DT {
  val conf = new SparkConf()                                     //创建环境变量
    .setMaster("local")                                             //设置本地化处理
    .setAppName("ZombieBayes")                              //设定名称
  val sc = new SparkContext(conf)

  def main(args: Array[String]) {
    val data = MLUtils.loadLibSVMFile(sc, "./src/main/spark/DT/DTree.txt")

    val numClasses = 2//分类数量
    val categorycalFeaturesInfo = Map[Int, Int]()//设定输入格式
    val impurity = "entropy" //设定信息增益计算方式
    val maxDepth = 5 //最大深度
    val maxBins = 3 //设定分割数据集

    val model = DecisionTree.trainClassifier(
      data,//输入数据集
      numClasses,//分类数量,本例只有出去,不出去,共两类
      categorycalFeaturesInfo,// 属性对格式,这里是单纯的键值对
      impurity,//计算信息增益形式
      maxDepth,// 树的高度
      maxBins//能够分裂的数据集合数量
    )

    println(model.topNode)
    println(model.numNodes)//5
    println(model.algo)//Classification
  }
}
DTree.txt
1 1:1 2:0 3:0 4:1
0 1:1 2:0 3:1 4:1
0 1:0 2:1 3:0 4:0
1 1:1 2:1 3:0 4:0
1 1:1 2:0 3:0 4:0
1 1:1 2:1 3:0 4:0

结果如下

id = 1, isLeaf = false, predict = 1.0 (prob = 0.6666666666666666), impurity = 0.9182958340544896, split = Some(Feature = 0, threshold = 0.0, featureType = Continuous, categories = List()), stats = Some(gain = 0.31668908831502096, impurity = 0.9182958340544896, left impurity = 0.0, right impurity = 0.7219280948873623)

5

Classification

 

 

 

 

展开阅读全文
打赏
0
2 收藏
分享
加载中
更多评论
打赏
0 评论
2 收藏
0
分享
返回顶部
顶部