前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >利用 ChiMerge 分析鸢尾花数据集基本思想实战函数说明程序运行结果参考文献

利用 ChiMerge 分析鸢尾花数据集基本思想实战函数说明程序运行结果参考文献

作者头像
JavaEdge
发布2018-05-16 10:06:13
2.2K1
发布2018-05-16 10:06:13
举报
文章被收录于专栏:JavaEdgeJavaEdge

ChiMerge 是监督的、自底向上的(即基于合并的)数据离散化方法。 它依赖于卡方分析:具有最小卡方值的相邻区间合并在一起,直到满足确定的停止准则。

基本思想

对于精确的离散化,相对类频率在一个区间内应当完全一致。 因此,如果两个相邻的区间具有非常类似的类分布,则这两个区间可以合并;否则,它们应当保持分开。 而低卡方值表明它们具有相似的类分布。

要点

  • 最简单的离散算法: 等宽区间 从最小值到最大值之间,均分为N等份 如此, 若 A, B为min/max, 则每个区间的长度为w=(B-A) / N, 区间边界值为 A+W, A+2W, …. A+(N-1)W
  • 类似的一种算法: 等频区间 间隔边界被选择为使得每个间隔包含大约相同数量的训练示例 因此,如果N = 10,每个区间将包含大约10%的例子

以上两种简单算法有弊端

  • 等宽区间划分,划分为5区间,最高工资50000,则所有工资低于10000的人都被划分到同一区间
  • 等频区间可能正好相反,所有工资高于50000的人都会被划分到50000这一区间中。

这两种算法都忽略了实例所属的类型,落在正确区间里的偶然性很大

  • C4、CART、PVM算法在离散属性时会考虑类信息,但随着算法的运行动态执行,而不是在预处理阶段。 例如,C4算法(ID3决策树系列的一种),将数值属性离散为两个区间,而取这两个区间时,该属性的信息增益是最大的。
  • 评价一个离散算法是否有效很难,因为不知道什么是最高效的分类
  • 离散化的主要目的 除了从训练数据中消除数值之外,还要产生一个简洁的数字属性汇总
  • 高质量的离散化 区间内均匀性,区间间差异
  • ChiMerge算法用卡方统计量来决定相邻区间的频率明显不同,如果它们足够相似以证明合并它们
  • ChiMerge算法包括两步,当满足停止条件的时候,区间合并停止
    • 初始化 根据要离散的属性对实例进行排序:每个实例属于一个区间
    • 合并区间,又包括两步 (1) 计算每一对相邻区间的卡方值 (2) 将卡方值最小的一对区间合并

预先设定一个卡方的阈值,在阈值之下的区间都合并,阈值之上的区间保持分区间

卡方的计算公式

参数说明

  • m=2(每次比较的区间数是2个)
  • k=类的数量
  • Aij=第i区间第j类的实例的数量
  • Ri=第i区间的实例数量
  • Cj=第j类的实例数量
  • N=总的实例数量
  • Eij= Aij的期望频率
  • 卡方阈值的确定 先选择显著性水平,再由公式得到对应的卡方值。 得到卡方值需要指定自由度,自由度比类别数量小1。例如,有3类,自由度为2,则90%置信度(10%显著性水平)下,卡方的值为4.6。 阈值的意义在于,类和属性独立时,有90%的可能性,计算得到的卡方值会小于4.6,这样,大于阈值的卡方值就说明属性和类不是相互独立的,不能合并。如果阈值选的大,区间合并就会进行很多次,离散后的区间数量少、区间大。 用户可以不考虑卡方阈值,此时,用户可以考虑这两个参数:最小区间数,最大区间数。用户指定区间数量的上限和下限,最多几个区间,最少几个区间。
  • ChiMerge算法推荐使用.90、.95、.99置信度,最大区间数取10到15之间以防止 过多的间隔被创建

实战

取鸢尾花数据集作为待离散化的数据集合,使用ChiMerge算法,对四个数值属性分别进行离散化 令停机准则为max_interval=6

下面Python程序

数据集

大致分两步:

整理数据

读入鸢尾花数据集,构造可以在其上使用ChiMerge的数据结构,即, 形如 [ ('4.3', [1, 0, 0]), ('4.4', [3, 0, 0]), ...] 的列表,每一个元素是一个元组,元组的第一项是字符串,表示区间左端点,元组的第二项是一个列表,表示在此区间各个类别的实例数目;

离散化

使用ChiMerge方法对具有最小卡方值的相邻区间进行合并,直到满足最大区间数(max_interval)为6

程序最终返回区间的分裂点

代码语言:javascript
复制
# coding=utf-8
from time import ctime

''' 读取数据'''


def read(irisdata):
    instances = []
    fp = open(irisdata, 'r')
    for line in fp:
        line = line.strip('\n')
        if line != '':
            instances.append(line.split(','))
    fp.close()
    return instances


''' 将第i个特征和类标签组合起来
 如:
    [ 
      [0.2,'Iris-setosa'],
      [0.2,'Iris-setosa'],
                ...
                          ]'''


def split(instances, i):
    log = []
    for line in instances:
        log.append([line[i], line[4]])
    return log


''' 统计每个属性值所具有的实例数量
 [['4.3', 'Iris-setosa', 1], ['4.4', 'Iris-setosa', 3],...]'''


def count(log):
    log_cnt = []
    # 以第0列进行排序的 升序排序
    log.sort(key=lambda attr: attr[0])
    i = 0
    while i < len(log):
        cnt = log.count(log[i])
        record = log[i][:]
        record.append(cnt)
        log_cnt.append(record)
        i += cnt
    return log_cnt


''' log_cnt  是形如: ['4.4', 'Iris-setosa', 3] 
    的统计对于某个属性值,对于三个类所含有的数量
    返回结果形如:{4.4:[0,1,3],...} 
    属性值为4.4的对于三个类的实例数量分别是:0、1、3 '''


def build(log_cnt):
    log_dict = {}
    for record in log_cnt:
        if record[0] not in log_dict.keys():
            log_dict[record[0]] = [0, 0, 0]
        if record[1] == 'Iris-setosa':
            log_dict[record[0]][0] = record[2]
        elif record[1] == 'Iris-versicolor':
            log_dict[record[0]][1] = record[2]
        elif record[1] == 'Iris-virginica':
            log_dict[record[0]][2] = record[2]
        else:
            raise TypeError('Data Exception')
    log_truple = sorted(log_dict.items())
    return log_truple


def collect(instances, i):
    log = split(instances, i)
    log_cnt = count(log)
    log_tuple = build(log_cnt)
    return log_tuple


def combine(a, b):
    """''  a=('4.4', [3, 1, 0]), b=('4.5', [1, 0, 2])
         combine(a,b)=('4.4', [4, 1, 2])  """
    c = a[:]
    for i in range(len(a[1])):
        c[1][i] += b[1][i]
    return c


def chi2(a):
    """计算两个区间的卡方值"""
    m = len(a)
    k = len(a[0])
    r = []
    '''第i个区间的实例数'''
    for i in range(m):
        sum = 0
        for j in range(k):
            sum += a[i][j]
        r.append(sum)
    c = []
    '''第j个类的实例数'''
    for j in range(k):
        sum = 0
        for i in range(m):
            sum += a[i][j]
        c.append(sum)
    n = 0
    '''总的实例数'''
    for ele in c:
        n += ele
    res = 0.0
    for i in range(m):
        for j in range(k):
            Eij = 1.0 * r[i] * c[j] / n
            if Eij != 0:
                res = 1.0 * res + 1.0 * (a[i][j] - Eij) ** 2 / Eij
    return res


'''ChiMerge 算法'''
'''下面的程序可以看出,合并一个区间之后相邻区间的卡方值进行了重新计算,而原作者论文中是计算一次后根据大小直接进行合并的
下面在合并时候只是根据相邻最小的卡方值进行合并的,这个在实际操作中还是比较好的
'''


def chimerge(log_tuple, max_interval):
    num_interval = len(log_tuple)
    while num_interval > max_interval:
        num_pair = num_interval - 1
        chi_values = []
        ''' 计算相邻区间的卡方值'''
        for i in range(num_pair):
            arr = [log_tuple[i][1], log_tuple[i + 1][1]]
            chi_values.append(chi2(arr))
        min_chi = min(chi_values)
        for i in range(num_pair - 1, -1, -1):
            if chi_values[i] == min_chi:
                log_tuple[i] = combine(log_tuple[i], log_tuple[i + 1])
                log_tuple[i + 1] = 'Merged'
        while 'Merged' in log_tuple:
            log_tuple.remove('Merged')
        num_interval = len(log_tuple)
    split_points = [record[0] for record in log_tuple]
    return split_points


def discrete(path):
    instances = read(path)
    max_interval = 6
    num_log = 4
    for i in range(num_log):
        log_tuple = collect(instances, i)
        split_points = chimerge(log_tuple, max_interval)
        print split_points


if __name__ == '__main__':
    print('Start: ' + ctime())
    discrete('iris.data')
    print('End: ' + ctime())

函数说明

  • collect(Instances,i) 读入鸢尾花数据集,取第i个特征构造一个数据结构,以便使用ChiMerge算法。这个数据结构 形如 [('4.3', [1, 0, 0]), ('4.4', [3, 0, 0]),...]的列表,每一个元素是一个元组,元组的第一项是字符串,表示区间左端点,元组的第二项是一个列表,表示在此区间各个类别的实例数目
  • ChiMerge(log_tuple,max_interval) ChiMerge算法,返回区间的分裂点

程序运行结果

参考文献

http://www.aaai.org/Papers/AAAI/1992/AAAI92-019.pdf

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2018.05.03 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 基本思想
    • 要点
    • 实战
      • 整理数据
        • 离散化
        • 函数说明
        • 程序运行结果
        • 参考文献
        领券
        问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档