「代码实例」Python机器学习实现oneR算法(以鸢尾data为例)

前言：

本文主要介绍了python机器学习实现oneR算法(以鸢尾data为例)，文中通过示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

oneR即“一条规则”。oneR算法根据已有的数据中，具有相同特征值的个体最可能属于哪个类别来进行分类。以鸢尾data为例，该算法实现过程可解读为以下六步：

一、 导包与获取数据

以均值为阈值，将大于或等于阈值的特征标记为1，低于阈值的特征标记为0。

import numpy as npfrom sklearn.model_selection import train_test_splitfrom sklearn.datasets import load_irisfrom collections import defaultdictfrom operator import itemgetterimport warningsfrom sklearn.metrics import classification_report# 加载内置iris数据，并保存dataset = load_iris()  X = dataset.datay = dataset.targetattribute_means = X.mean(axis=0)  # 得到一个列表，列表元素个数为特征值个数，列表值为每个特征的均值X_d = np.array(X >= attribute_means, dtype='int')  # 转bool类型

数据到此已获取完毕，接下来将其划分为训练集和测试集。

二、划分为训练集和测试集

使用默认的0.25作为分割比例。即训练集：测试集=3:1。

X_train, X_test, y_train, y_test = train_test_split(X_d, y, random_state=random_state)

数据描述：本例中共有四个特征，原数据集有150个样本，分割后训练集有112个数据，测试集有38个数据。标签一共分为三类，取值可以是0,1,2。

三、定义函数：获取某特征值出现次数最多的类别及错误率

首先遍历特征的每一个取值，对于每一个特征值，统计它在各个类别中出现的次数。定义一个函数，有以下四个参数：

X, y_true即 训练集数据和标签feature是特征的索引值，可以是0,1,2,3。value是特征可以有的取值，这里为0,1。

该函数的意义在于，对于训练集数据，对于

某个特征

，依次遍历

样本在该特征的真实取值

，判断其是否等于特征的

某个可以有的取值

（即

value

）（以0为例）。如果判定成功，则在字典class_counts中记录，以三个类别（0，1，2）中该样本对应的类别为键值，表示该类别出现的次数加一。

首先得到的字典（class_counts）形如：{0: x1, 1.0: x2, 2.0:x3}其中元素不一定是三个x1：类别0中，某个特征feature的特征值为value（0或1）出现的次数x2：类别0中，某个特征feature的特征值为value（0或1）出现的次数x3：类别0中，某个特征feature的特征值为value（0或1）出现的次数

然后将class_counts按照值的大小排序，取出指定特征的特征值出现次数最多的类别：most_frequent_class。该规则即为：

该特征的该特征值出现在其出现次数最多的类别上是合理的，出现在其它类别上是错误的。

最后计算该规则的错误率：error

错误率

即

具有该特征的个体在除出现次数最多的类别出现的次数，代表分类规则不适用的个体的数量

。

最后返回

待预测的个体类别

和

错误率

def train_feature_value(X, y_true, feature, value):    class_counts = defaultdict(int)    for sample, y_t in zip(X, y_true): if sample[feature] == value:     class_counts[y_t] += 1    sorted_class_counts = sorted(class_counts.items(), key=itemgetter(1), reverse=True) # 降序    most_frequent_class = sorted_class_counts[0][0]    error = sum([class_count for class_value, class_count in class_counts.items()   if class_value != most_frequent_class])    return most_frequent_class, error

返回值most_frequent_class是一个字典, error是一个数字

四、定义函数：获取每个特征值下出现次数最多的类别、错误率

def train(X, y_true, feature):    n_samples, n_features = X.shape    assert 0 <= feature < n_features    # 获取样本中某特征所有可能的取值    values = set(X[:, feature])    predictors = dict()    errors = []    for current_value in values: most_frequent_class, error = train_feature_value(X, y_true, feature, current_value) predictors[current_value] = most_frequent_class errors.append(error)    total_error = sum(errors)    return predictors, total_error

因为most_frequent_class是一个字典，所以predictors是一个键为特征可以的取值(0和1)，值为字典most_frequent_class的 字典。total_error是一个数字，为每个特征值下的错误率的和。

五、调用函数，获取最佳特征值

all_predictors = {variable: train(X_train, y_train, variable) for variable in range(X_train.shape[1])}Errors = {variable: error for variable, (mapping, error) in all_predictors.items()}# 找到错误率最低的特征best_variable, best_error = sorted(Errors.items(), key=itemgetter(1))[0]  # 升序print("The best model is based on feature {0} and has error {1:.2f}".format(best_variable, best_error))# 找到最佳特征值，创建model模型model = {'variable': best_variable,  'predictor': all_predictors[best_variable][0]}print(model)

根据代码运行结果，最佳特征值是特征2（索引值为2的feature，即第三个特征）。

对于初学者这里的代码逻辑比较复杂，可以对变量进行逐个打印查看，阅读blog学习时要盯准字眼，细品其逻辑。

print(all_predictors)print(all_predictors[best_variable])print(all_predictors[best_variable][0])

六、测试算法

定义预测函数，对测试集数据进行预测

def predict(X_test, model):    variable = model['variable']    predictor = model['predictor']    y_predicted = np.array([predictor[int(sample[variable])] for sample in X_test])    return y_predicted# 对测试集数据进行预测y_predicted = predict(X_test, model)print(y_predicted)

预测结果：

# 统计预测准确率accuracy = np.mean(y_predicted == y_test) * 100print("The test accuracy is {:.1f}%".format(accuracy))

根据打印结果，该模型预测的准确率可达65.8%，对于只有一条规则的oneR算法而言，结果是比较良好的。到此便实现了oneR算法的一次完整应用。

最后，还可以使用classification_report()方法，传入测试集的真实值和预测值，打印出模型评估报告。

# 屏蔽警告warnings.filterwarnings("ignore") # 打印模型评估报告print(classification_report(y_test, y_predicted))  # 参数为测试集的真实数据和预测数据