1. 關于ID3和C4.5的原理介紹這里不贅述，網上到處都是，可以下載講義c9641_c001.pdf或者參考李航的《統計學習方法》.

2. 數據與數據處理

• 本文采用下面的訓練數據：

• 數據處理：本文只采用了"Outlook", "Humidity", "Windy"三個屬性，然后根據Humidity的值是否大于75，將Humidity的值歸為兩類，Play Golf 的值就是類別標簽，只有yes 和 no兩類
• 訓練集是字符和數字的混合，這會給編程帶來麻煩，所以首先把訓練集用數字表示出來： 1 const unsigned att_num = 3; 2 const unsigned rule_num = 14; 3 string decision_tree_name("Play Golf ?"); 4 string attribute_names[] = {"Outlook", "Humidity", "Windy"}; 5 string attribute_values[] = {"Sunny", "Overcast", "Rainy", "> 75", "<= 75", "True", "False", "Yes", "No"}; 6 //訓練集最后一列為分類標簽，所以總列數為屬性數加1 7 unsigned train_data[rule_num][att_num + 1] = { 8 {0, 3, 6, 8},{0, 3, 5, 8},{1, 3, 6, 7}, 9 {2, 3, 6, 7},{2, 3, 6, 7},{2, 4, 5, 8}, 10 {1, 4, 5, 7},{0, 3, 6, 8},{0, 4, 6, 7}, 11 {2, 3, 6, 7},{0, 4, 5, 7},{1, 3, 5, 7}, 12 {1, 4, 6, 7},{2, 3, 5, 8} 13 };

  ?以train_data的第一行{0, 3, 6, 8}為例解釋：前三列值對應的屬性與attribute_names中的元素分別對應，最后一列是類別標簽的值，0 表示?attribute_values的第1個元素，即”Sunny“，類似3便是attribute_values的第4個元素"> 75"，6 是?"False"，8 是"No"，所以{0, 3, 6, 8} 代表的實例就是:

　　 ?

　　 ?其他實例都是以這樣的方式數字化，方便編程.

3. 編寫必要函數

因為ID3和C4.5都需要計算屬性的信息增益，C4.5還需要計算屬性的信息增益比，所正確編寫這兩個函數很重要，對比著講義c9641_c001.pdf或者其他參考資料，編寫出這兩個函數.(代碼最后附上)

4. 確定數據結構

這是最重要的一環，明確目的：構造一個決策樹！這就直接決定了編程的正確或者難易，網上有很多例子，但是我覺得不夠簡潔，這里我采用一種簡單且容易理解的方式：

1 struct Tree{ 2 unsigned root;//節點屬性值 3 vector<unsigned> branches;//節點可能取值 4 vector<Tree> children; //孩子節點 5 };

?

?

每一個決策樹都是由根節點開始，然后有很多分支，分支連接著孩子節點，而每一個孩子節點以及這個孩子節點對應的所有子孫又可以組成一棵樹，這是一個不斷遞歸的過程，所以采用了上面的數據結構.

5. 構造決策樹

有了上面的基礎，開始著手構造決策樹,根據規則選出某一屬性作為根節點，根據根節點的取值確定分支，然后構造孩子節點，根據上面的陳述可以知道，每一個孩子節點及其后面的子孫又是一棵樹，所以這是一個遞歸操作，即采用前面同樣的方式來構造這個子樹，以此類推。

6. 打印決策樹

因為樹的結構是遞歸的，所以打印決策樹同樣是一個遞歸的過程。

7. 代碼實現

1 /************************************************* 2 Copyright:1.0 3 Author:90Zeng 4 Date:2014-11-25 5 Description:ID3/C4.5 algorithm 6 **************************************************/ 7 8 #include <iostream> 9 #include <cmath> 10 #include <vector> 11 #include <string> 12 #include <algorithm> 13 using namespace std; 14 15 16 const unsigned att_num = 3; 17 const unsigned rule_num = 14; 18 string decision_tree_name("Play Golf ?"); 19 string attribute_names[] = {"Outlook", "Humidity", "Windy"}; 20 string attribute_values[] = {"Sunny", "Overcast", "Rainy", "> 75", "<= 75", "True", "False", "Yes", "No"}; 21 //訓練集最后一列為分類標簽，所以總列數為屬性數加1 22 unsigned train_data[rule_num][att_num + 1] = { 23 {0, 3, 6, 8},{0, 3, 5, 8},{1, 3, 6, 7}, 24 {2, 3, 6, 7},{2, 3, 6, 7},{2, 4, 5, 8}, 25 {1, 4, 5, 7},{0, 3, 6, 8},{0, 4, 6, 7}, 26 {2, 3, 6, 7},{0, 4, 5, 7},{1, 3, 5, 7}, 27 {1, 4, 6, 7},{2, 3, 5, 8} 28 }; 29 30 31 32 33 /************************************************* 34 Function: unique() 35 Description: 將vector中重復元素合并，只保留一個 36 Calls: 無 37 Input: vector 38 Output: vector 39 *************************************************/ 40 template <typename T> 41 vector<T> unique(vector<T> vals) 42 { 43 vector<T> unique_vals; 44 vector<T>::iterator itr; 45 vector<T>::iterator subitr; 46 47 int flag = 0; 48 while( !vals.empty() ) 49 { 50 unique_vals.push_back(vals[0]); 51 itr = vals.begin(); 52 subitr = unique_vals.begin() + flag; 53 while ( itr != vals.end()) 54 { 55 if (*subitr == *itr) 56 itr = vals.erase(itr); 57 else 58 itr++; 59 } 60 flag++; 61 } 62 return unique_vals; 63 } 64 65 /************************************************* 66 Function: log2() 67 Description: 計算一個數值得以2為底的對數 68 Calls: 無 69 Input: double 70 Output: double 71 *************************************************/ 72 73 double log2(double n) 74 { 75 return log10(n) / log10(2.0); 76 } 77 78 /************************************************* 79 Function: compute_entropy() 80 Description: 根據屬性的取值，計算該屬性的熵 81 Calls: unique(),log2(),count(),其中count() 82 在STL的algorithm庫中 83 Input: vector<unsigned> 84 Output: double 85 *************************************************/ 86 double compute_entropy(vector<unsigned> v) 87 { 88 vector<unsigned> unique_v; 89 unique_v = unique(v); 90 91 vector<unsigned>::iterator itr; 92 itr = unique_v.begin(); 93 94 double entropy = 0.0; 95 auto total = v.size(); 96 while(itr != unique_v.end()) 97 { 98 double cnt = count(v.begin(), v.end(), *itr); 99 entropy -= cnt / total * log2(cnt / total); 100 itr++; 101 } 102 return entropy; 103 } 104 105 /************************************************* 106 Function: compute_gain() 107 Description: 計算數據集中所有屬性的信息增益 108 Calls: compute_entropy(),unique() 109 Input: vector<vector<unsigned> > 110 相當于一個二維數組，存儲著訓練數據集 111 Output: vector<double> 存儲著所有屬性的信息 112 增益 113 *************************************************/ 114 vector<double> compute_gain(vector<vector<unsigned> > truths) 115 { 116 vector<double> gain(truths[0].size() - 1, 0); 117 vector<unsigned> attribute_vals; 118 vector<unsigned> labels; 119 for(unsigned j = 0; j < truths.size(); j++) 120 { 121 labels.push_back(truths[j].back()); 122 } 123 124 for(unsigned i = 0; i < truths[0].size() - 1; i++)//最后一列是類別標簽，沒必要計算信息增益 125 { 126 for(unsigned j = 0; j < truths.size(); j++) 127 attribute_vals.push_back(truths[j][i]); 128 129 vector<unsigned> unique_vals = unique(attribute_vals); 130 vector<unsigned>::iterator itr = unique_vals.begin(); 131 vector<unsigned> subset; 132 while(itr != unique_vals.end()) 133 { 134 for(unsigned k = 0; k < truths.size(); k++) 135 { 136 if (*itr == attribute_vals[k]) 137 { 138 subset.push_back(truths[k].back()); 139 } 140 } 141 double A = (double)subset.size(); 142 gain[i] += A / truths.size() * compute_entropy(subset); 143 itr++; 144 subset.clear(); 145 } 146 gain[i] = compute_entropy(labels) - gain[i]; 147 attribute_vals.clear(); 148 } 149 return gain; 150 } 151 152 /************************************************* 153 Function: compute_gain_ratio() 154 Description: 計算數據集中所有屬性的信息增益比 155 C4.5算法中用到 156 Calls: compute_gain();compute_entropy() 157 Input: 訓練數據集 158 Output: 信息增益比 159 *************************************************/ 160 vector<double> compute_gain_ratio(vector<vector<unsigned> > truths) 161 { 162 vector<double> gain = compute_gain(truths); 163 vector<double> entropies; 164 vector<double> gain_ratio; 165 166 for(unsigned i = 0; i < truths[0].size() - 1; i++)//最后一列是類別標簽，沒必要計算信息增益比 167 { 168 vector<unsigned> attribute_vals(truths.size(), 0); 169 for(unsigned j = 0; j < truths.size(); j++) 170 { 171 attribute_vals[j] = truths[j][i]; 172 } 173 double current_entropy = compute_entropy(attribute_vals); 174 if (current_entropy) 175 { 176 gain_ratio.push_back(gain[i] / current_entropy); 177 } 178 else 179 gain_ratio.push_back(0.0); 180 181 } 182 return gain_ratio; 183 } 184 185 /************************************************* 186 Function: find_most_common_label() 187 Description: 找出數據集中最多的類別標簽 188 189 Calls: count(); 190 Input: 數據集 191 Output: 類別標簽 192 *************************************************/ 193 template <typename T> 194 T find_most_common_label(vector<vector<T> > data) 195 { 196 vector<T> labels; 197 for (unsigned i = 0; i < data.size(); i++) 198 { 199 labels.push_back(data[i].back()); 200 } 201 vector<T>:: iterator itr = labels.begin(); 202 T most_common_label; 203 unsigned most_counter = 0; 204 while (itr != labels.end()) 205 { 206 unsigned current_counter = count(labels.begin(), labels.end(), *itr); 207 if (current_counter > most_counter) 208 { 209 most_common_label = *itr; 210 most_counter = current_counter; 211 } 212 itr++; 213 } 214 return most_common_label; 215 } 216 217 /************************************************* 218 Function: find_attribute_values() 219 Description: 根據屬性，找出該屬性可能的取值 220 221 Calls: unique(); 222 Input: 屬性，數據集 223 Output: 屬性所有可能的取值(不重復) 224 *************************************************/ 225 template <typename T> 226 vector<T> find_attribute_values(T attribute, vector<vector<T> > data) 227 { 228 vector<T> values; 229 for (unsigned i = 0; i < data.size(); i++) 230 { 231 values.push_back(data[i][attribute]); 232 } 233 return unique(values); 234 } 235 236 /************************************************* 237 Function: drop_one_attribute() 238 Description: 在構建決策樹的過程中，如果某一屬性已經考察過了 239 那么就從數據集中去掉這一屬性，此處不是真正意義 240 上的去掉，而是將考慮過的屬性全部標記為110，當 241 然可以是其他數字，只要能和原來訓練集中的任意數 242 字區別開來即可 243 Calls: unique(); 244 Input: 屬性，數據集 245 Output: 屬性所有可能的取值(不重復) 246 *************************************************/ 247 template <typename T> 248 vector<vector<T> > drop_one_attribute(T attribute, vector<vector<T> > data) 249 { 250 vector<vector<T> > new_data(data.size(),vector<T>(data[0].size() - 1, 0)); 251 for (unsigned i = 0; i < data.size(); i++) 252 { 253 data[i][attribute] = 110; 254 } 255 return data; 256 } 257 258 259 struct Tree{ 260 unsigned root;//節點屬性值 261 vector<unsigned> branches;//節點可能取值 262 vector<Tree> children; //孩子節點 263 }; 264 265 /************************************************* 266 Function: build_decision_tree() 267 Description: 遞歸構建決策樹 268 269 Calls: unique()，count(), 270 find_most_common_label() 271 compute_gain()(ID3), 272 compute_gain_ratio()(C4.5), 273 find_attribute_values(), 274 drop_one_attribute(), 275 build_decision_tree()(遞歸， 276 當然要調用函數本身) 277 Input: 訓練數據集，一個空決策樹 278 Output: 無 279 *************************************************/ 280 void build_decision_tree(vector<vector<unsigned> > examples, Tree &tree) 281 { 282 //第一步：判斷所有實例是否都屬于同一類，如果是，則決策樹是單節點 283 vector<unsigned> labels(examples.size(), 0); 284 for (unsigned i = 0; i < examples.size(); i++) 285 { 286 labels[i] = examples[i].back(); 287 } 288 if (unique(labels).size() == 1) 289 { 290 tree.root = labels[0]; 291 return; 292 } 293 294 //第二步：判斷是否還有剩余的屬性沒有考慮，如果所有屬性都已經考慮過了， 295 //那么此時屬性數量為0，將訓練集中最多的類別標記作為該節點的類別標記 296 if (count(examples[0].begin(),examples[0].end(),110) == examples[0].size() - 1)//只剩下一列類別標記 297 { 298 tree.root = find_most_common_label(examples); 299 return; 300 } 301 //第三步:在上面兩步的條件都判斷失敗后，計算信息增益，選擇信息增益最大 302 //的屬性作為根節點,并找出該節點的所有取值 303 304 vector<double> standard = compute_gain(examples); 305 306 //要是采用C4.5，將上面一行注釋掉，把下面一行的注釋去掉即可 307 //vector<double> standard = compute_gain_ratio(examples); 308 tree.root = 0; 309 for (unsigned i = 0; i < standard.size(); i++) 310 { 311 if (standard[i] >= standard[tree.root] && examples[0][i] != 110) 312 tree.root = i; 313 } 314 315 316 tree.branches = find_attribute_values(tree.root, examples); 317 //第四步:根據節點的取值，將examples分成若干子集 318 vector<vector<unsigned> > new_examples = drop_one_attribute(tree.root, examples); 319 vector<vector<unsigned> > subset; 320 for (unsigned i = 0; i < tree.branches.size(); i++) 321 { 322 for (unsigned j = 0; j < examples.size(); j++) 323 { 324 for (unsigned k = 0; k < examples[0].size(); k++) 325 { 326 if (tree.branches[i] == examples[j][k]) 327 subset.push_back(new_examples[j]); 328 } 329 } 330 // 第五步:對每一個子集遞歸調用build_decision_tree()函數 331 Tree new_tree; 332 build_decision_tree(subset,new_tree); 333 tree.children.push_back(new_tree); 334 subset.clear(); 335 } 336 } 337 338 /************************************************* 339 Function: print_tree() 340 Description: 從第根節點開始，逐層將決策樹輸出到終 341 端顯示 342 343 Calls: print_tree(); 344 Input: 決策樹，層數 345 Output: 無 346 *************************************************/ 347 void print_tree(Tree tree,unsigned depth) 348 { 349 for (unsigned d = 0; d < depth; d++) cout << "\t"; 350 if (!tree.branches.empty()) //不是葉子節點 351 { 352 cout << attribute_names[tree.root] << endl; 353 354 for (unsigned i = 0; i < tree.branches.size(); i++) 355 { 356 for (unsigned d = 0; d < depth + 1; d++) cout << "\t"; 357 cout << attribute_values[tree.branches[i]] << endl; 358 print_tree(tree.children[i],depth + 2); 359 } 360 } 361 else //是葉子節點 362 { 363 cout << attribute_values[tree.root] << endl; 364 } 365 366 } 367 368 369 int main() 370 { 371 vector<vector<unsigned> > rules(rule_num, vector<unsigned>(att_num + 1, 0)); 372 for(unsigned i = 0; i < rule_num; i++) 373 { 374 for(unsigned j = 0; j <= att_num; j++) 375 rules[i][j] = train_data[i][j]; 376 } 377 Tree tree; 378 build_decision_tree(rules, tree); 379 cout << decision_tree_name << endl; 380 print_tree(tree,0); 381 return 0; 382 }

?

8.運行結果：

前者是采用ID3運行的結果，后者是講義c9641_c001.pdf給出的構造的決策樹，二者一致，驗證了程序的正確性.

9.總結

所謂”百鳥在林，不如一鳥在手“, ID3和C4.5的思想都很簡單，容易理解，但是在實現的的過程中由于數據結構的確定和遞歸調用等問題，還是調試了很久，收獲很多，實踐出真知！

轉載于:https://www.cnblogs.com/90zeng/p/ID3_C4_5.html

總結

以上是生活随笔為你收集整理的一步一步详解ID3和C4.5的C++实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。