прохожу курс машинного обучения, и в одном из заданий необходимо реализовать метод fit для DecisionTreeClassifier. Вот мой код:
import numpy as np
import pandas as pd
class MyTreeClf:
def __init__(self, max_depth=5, min_samples_split=2, max_leafs=20):
self.max_depth = max_depth
self.min_samples_split = min_samples_split
self.max_leafs = max_leafs
self.tree = None
self.leafs_cnt = 0
def node_entropy(self, probs):
return -np.sum([p * np.log2(p) for p in probs if p > 0])
def node_ig(self, x_col, y, split_value):
left_mask = x_col <= split_value
right_mask = x_col > split_value
if len(x_col[left_mask]) == 0 or len(x_col[right_mask]) == 0:
return 0
left_probs = np.bincount(y[left_mask]) / len(y[left_mask])
right_probs = np.bincount(y[right_mask]) / len(y[right_mask])
entropy_after = len(y[left_mask]) / len(y) * self.node_entropy(left_probs) + len(y[right_mask]) / len(y) * self.node_entropy(right_probs)
entropy_before = self.node_entropy(np.bincount(y) / len(y))
return entropy_before - entropy_after
def get_best_split(self, X: pd.DataFrame, y: pd.Series):
best_col, best_split_value, best_ig = None, None, -np.inf
for col in X.columns:
sorted_unique_values = np.sort(X[col].unique())
for i in range(1, len(sorted_unique_values)):
split_value = (sorted_unique_values[i - 1] + sorted_unique_values[i]) / 2
ig = self.node_ig(X[col], y, split_value)
if ig > best_ig:
best_ig = ig
best_col = col
best_split_value = split_value
return best_col, best_split_value, best_ig
def fit(self, X: pd.DataFrame, y: pd.Series, depth=0):
if depth == 0:
self.tree = {}
best_col, best_split_value, best_ig = self.get_best_split(X, y)
if depth < self.max_depth and len(y) >= self.min_samples_split and self.leafs_cnt < self.max_leafs and best_col is not None:
left_mask = X[best_col] <= best_split_value
right_mask = X[best_col] > best_split_value
self.tree[depth] = {'col': best_col, 'split': best_split_value, 'left': {}, 'right': {}}
self.fit(X[left_mask], y[left_mask], depth + 1)
self.fit(X[right_mask], y[right_mask], depth + 1)
else:
class_label = y.mode()[0]
self.tree[depth] = {'class': class_label}
self.leafs_cnt += 1
df = pd.read_csv('c:\\Users\\Nijat\\Downloads\\banknote+authentication.zip', header=None)
df.columns = ['variance', 'skewness', 'curtosis', 'entropy', 'target']
X, y = df.iloc[:,:4], df['target']
model = MyTreeClf()
model.fit(X, y)
print(model.leafs_cnt)
Метод fit, который принимает X и y для построения дерева, должен подсчитывать количество листьев.
Дерево строится следующим образом:
Корневой узел: Начинаем с корневого узла и перебираем каждый атрибут.
Процесс выбора порога:
Для каждого атрибута выбираем уникальные значения и сортируем их.
Формируем список порогов для разделения значений.
Для каждого порога делим набор данных на два подмножества (левое и правое).
Оцениваем прирост информации для каждого разделения.
Выбираем атрибут и порог с наибольшим приростом информации и сохраняем их в иерархической структуре.
Рекурсивное разделение:
Делим набор данных на два подмножества.
Если подмножество можно разделить дальше, повторяем процесс рекурсивно.
Если нет, объявляем подмножество листом и сохраняем вероятность для первого класса.
Ограничения:
Прекращаем разделение, когда выполняется одно из следующих условий:
Максимальная глубина дерева.
Минимальное количество экземпляров в узле.
Максимальное количество листьев.
Даже при достижении ограничений завершаем построение дерева, создавая необходимые листья.
Количество листьев сохраняется в переменной leafs_cnt. Метод ничего не возвращает.
Входные данные: три датасета с различными параметрами(max_depth, min_samples_split, max_leafs)
Выходные данные: кол-во листьев (в переменной leafs_cnt).
Также необходимая информация:
https://stepik.org/lesson/333977/step/6?auth=login... (сама задача + все входные данные тут)
https://stepik.org/lesson/333977/step/3?auth=login... (подробнее про реализацию алгоритма)
https://stepik.org/lesson/334372/step/4?auth=login... (при проверке используйте "Banknote authentication")