So erstellen Sie einen Entscheidungsbaum in Javascript

Dieses Mal werde ich Ihnen Javascript zeigen, wie man einen Entscheidungsbaum erstellt und welche Vorsichtsmaßnahmen es gibt, um einen Entscheidungsbaum in Javascript zu erstellen. Hier sind praktische Fälle, nehmen wir an sehen.

Entscheidungsbaum-Algorithmus-Code-Implementierung

1. Testdaten vorbereiten

Hier gehe ich davon aus, dass es eine junge Dame im Unternehmen gibt, die sich zu einem Blind Date trifft
Die folgenden Personen haben Daten getroffen oder wurden eliminiert (ein Teil der Daten wurde mit Mock.js generiert):

var data =
        [
            { "姓名": "余夏", "年龄": 29, "长相": "帅", "体型": "瘦", "收入": "高", 见面: "见" },
            { "姓名": "豆豆", "年龄": 25, "长相": "帅", "体型": "瘦", "收入": "高", 见面: "见" },
            { "姓名": "帅常荣", "年龄": 26, "长相": "帅", "体型": "胖", "收入": "高", 见面: "见" },
            { "姓名": "王涛", "年龄": 22, "长相": "帅", "体型": "瘦", "收入": "高", 见面: "见" },
            { "姓名": "李东", "年龄": 23, "长相": "帅", "体型": "瘦", "收入": "高", 见面: "见" },
            { "姓名": "王五五", "年龄": 23, "长相": "帅", "体型": "瘦", "收入": "低", 见面: "见" },
            { "姓名": "王小涛", "年龄": 22, "长相": "帅", "体型": "瘦", "收入": "低", 见面: "见" },
            { "姓名": "李缤", "年龄": 21, "长相": "帅", "体型": "胖", "收入": "高", 见面: "见" },
            { "姓名": "刘明", "年龄": 21, "长相": "帅", "体型": "胖", "收入": "低", 见面: "不见" },
            { "姓名": "红鹤", "年龄": 21, "长相": "不帅", "体型": "胖", "收入": "高", 见面: "不见" },
            { "姓名": "李理", "年龄": 32, "长相": "帅", "体型": "瘦", "收入": "高", 见面: "不见" },
            { "姓名": "周州", "年龄": 31, "长相": "帅", "体型": "瘦", "收入": "高", 见面: "不见" },
            { "姓名": "李乐", "年龄": 27, "长相": "不帅", "体型": "胖", "收入": "高", 见面: "不见" },
            { "姓名": "韩明", "年龄": 24, "长相": "不帅", "体型": "瘦", "收入": "高", 见面: "不见" },
            { "姓名": "小吕", "年龄": 28, "长相": "帅", "体型": "瘦", "收入": "低", 见面: "不见" },
            { "姓名": "李四", "年龄": 25, "长相": "帅", "体型": "瘦", "收入": "低", 见面: "不见" },
            { "姓名": "王鹏", "年龄": 30, "长相": "帅", "体型": "瘦", "收入": "低", 见面: "不见" },
        ];

2. Erstellen Sie die Grundfunktion des Entscheidungsbaums

Code:

function DecisionTree(config) {    if (typeof config == "object" && !Array.isArray(config)) this.training(config);
};
DecisionTree.prototype = {    //分割函数
    _predicates: {},    //统计属性值在数据集中的次数
    countUniqueValues(items, attr) {},    //获取对象中值最大的Key  假设 counter={a:9,b:2} 得到 "a" 
    getMaxKey(counter) {},    //寻找最频繁的特定属性值
    mostFrequentValue(items, attr) {},    //根据属性切割数据集 
    split(items, attr, predicate, pivot) {},    //计算熵
    entropy(items, attr) {},    //生成决策树
    buildDecisionTree(config) {},    //初始化生成决策树
    training(config) {},    //预测 测试
    predict(data) {},
};var decisionTree = new DecisionTree();

3. Funktionsfunktionen implementieren

Da einige Funktionen zu einfach sind, werde ich sie nicht erklären
Sie können zu JS Simple Implementation of Decision Tree gehen (ID3-Algorithmus)_demo.html, um den vollständigen Code anzuzeigen
Es enthält Kommentare und jeweils die Testmethode einer Funktion

Hier werde ich hauptsächlich erklären: die Funktion zur Berechnung der Entropie, die Generierung eines Entscheidungsbaums Funktion (Informationsgewinn) und die Implementierung der Vorhersagefunktion

Erklärt im ID3-Algorithmus-Wiki. Die Formel zur Berechnung von Entropie und Informationsgewinn

Berechnung der Entropie-(Entropie-)Funktion

Wir können wissen, dass die Berechnung von H(S) (d. h. Entropie) p(x)=x/total erfordert. Die Menge wird dann berechnet und akkumuliert
Code:

//......略//统计属性值在数据集中的次数countUniqueValues(items, attr) {    var counter = {}; // 获取不同的结果值 与出现次数
    for (var i of items) {        if (!counter[i[attr]]) counter[i[attr]] = 0;
        counter[i[attr]] += 1;
    }    return counter;
},//......略//计算熵entropy(items, attr) {    var counter = this.countUniqueValues(items, attr); //计算值的出现数
    var p, entropy = 0; //H(S)=entropy=∑(P(Xi)(log2(P(Xi))))
    for (var i in counter) {
        p = counter[i] / items.length; //P(Xi)概率值
        entropy += -p * Math.log2(p); //entropy+=-(P(Xi)(log2(P(Xi))))
    }    return entropy;
},//......略var decisionTree = new DecisionTree();console.log("函数 countUniqueValues 测试:");console.log("   长相", decisionTree.countUniqueValues(data, "长相")); //测试console.log("   年龄", decisionTree.countUniqueValues(data, "年龄")); //测试console.log("   收入", decisionTree.countUniqueValues(data, "收入")); //测试console.log("函数 entropy 测试:");console.log("   长相", decisionTree.entropy(data, "长相")); //测试console.log("   年龄", decisionTree.entropy(data, "年龄")); //测试console.log("   收入", decisionTree.entropy(data, "收入")); //测试

3.2 . Informationsgewinn

Formel

Gemäß der Formel wissen wir, dass wir Folgendes benötigen, um den Wert des Informationsgewinns zu erhalten:

H(S)-Trainingssatz-Entropie

Anteil der p(t)-Zweigelemente

H(t)-Entropie des Zweigdatensatzes

Unter diesen teilen wir zunächst Übereinstimmung (geeignet) und Übereinstimmung (ungeeignet) auf. , also H(t):

H(match) Die Entropie des geeigneten Datensatzes nach der Segmentierung

H (on match) Die Entropie des ungeeigneten Datensatzes nach der Segmentierung

Der Informationsgewinn ist also G=H(S)-(p(Übereinstimmung)H(Übereinstimmung)+p(bei Übereinstimmung)H(bei Übereinstimmung))
Weil p(Übereinstimmung)=Anzahl der Übereinstimmungen/Gesamtzahl der Elemente im Datensatz
Informationsgewinn G=H(S)-((Anzahl der Übereinstimmungen)xH(Übereinstimmung)+(Anzahl der Übereinstimmungen)xH(bei Übereinstimmung)) /Gesamtzahl der Elemente im Datensatz

//......略buildDecisionTree(config){    var trainingSet = config.trainingSet;//训练集 
    var categoryAttr = config.categoryAttr;//用于区分的类别属性
    //......略
    //初始计算 训练集的熵
    var initialEntropy = this.entropy(trainingSet, categoryAttr);//= 0)) continue;            var pivot = item[attr];// 当前属性的值 
            var predicateName = ((typeof pivot == 'number') ? '>=' : '=='); //根据数据类型选择判断条件
            var attrPredPivot = attr + predicateName + pivot;            if (alreadyChecked.indexOf(attrPredPivot) >= 0) continue;//已经计算过则跳过
            alreadyChecked.push(attrPredPivot);//记录
            var predicate = this._predicates[predicateName];//匹配分割方式
            var currSplit = this.split(trainingSet, attr, predicate, pivot);            var matchEntropy = this.entropy(currSplit.match, categoryAttr);//  H(match) 计算分割后合适的数据集的熵
            var notMatchEntropy = this.entropy(currSplit.notMatch, categoryAttr);// H(on match) 计算分割后不合适的数据集的熵
             //计算信息增益: 
             // IG(A,S)=H(S)-(∑P(t)H(t))) 
             // t为分裂的子集match(匹配),on match(不匹配)
             // P(match)=match的长度/数据集的长度
             // P(on match)=on match的长度/数据集的长度
             var iGain = initialEntropy - ((matchEntropy * currSplit.match.length
                        + notMatchEntropy * currSplit.notMatch.length) / trainingSet.length);              //不断匹配最佳增益值对应的节点信息
              if (iGain > bestSplit.gain) {                  //......略
              }
        }
    } 
    //......递归计算分支}

Ich glaube, dass Sie die Methode beherrschen, nachdem Sie den Fall in diesem Artikel gelesen haben. Weitere spannende Informationen finden Sie in anderen verwandten Artikeln auf der chinesischen PHP-Website!

Verwandte Lektüre:

Wie man aus Leinwand ein nützliches Graffiti-Zeichenbrett macht

Wie man s-xlsx zum Importieren von Excel verwendet Dateien und Export (Teil 2)

Das obige ist der detaillierte Inhalt vonSo erstellen Sie einen Entscheidungsbaum in Javascript. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!