DataMiningAlgorithm/Classification/DataMining_ID3/ID3Tool.java at master · feiva/DataMiningAlgorithm · GitHub

Repository navigation

History

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

175

176

177

178

179

180

181

182

183

184

185

186

187

188

189

190

191

192

193

194

195

196

197

198

199

200

201

202

203

204

205

206

207

208

209

210

211

212

213

214

215

216

217

218

219

220

221

222

223

224

225

226

227

228

229

230

231

232

233

234

235

236

237

238

239

240

241

242

243

244

245

246

247

248

249

250

251

252

253

254

255

256

257

258

259

260

261

262

263

264

265

266

267

268

269

270

271

272

273

274

275

276

277

278

279

280

281

282

283

284

285

286

287

288

289

290

291

292

293

294

295

296

297

298

299

300

301

302

303

304

305

306

307

308

309

310

311

312

313

314

315

316

317

318

319

320

321

322

323

324

325

326

327

328

329

330

331

332

333

334

335

336

337

338

339

340

341

342

343

344

345

346

347

348

349

350

351

352

353

354

355

356

357

358

359

360

361

362

363

364

365

366

367

368

369

370

371

372

373

374

375

376

377

378

379

380

381

382

383

384

385

386

387

388

389

390

391

392

393

394

395

396

397

398

399

400

401

402

403

404

405

406

407

408

409

410

411

412

413

414

415

416

417

418

419

420

421

422

423

424

425

426

427

428

429

430

431

432

433

434

435

436

437

438

439

440

441

442

443

444

445

446

447

package DataMing_ID3;

import java.io.BufferedReader;

import java.io.File;

import java.io.FileReader;

import java.io.IOException;

import java.util.ArrayList;

import java.util.HashMap;

import java.util.Iterator;

import java.util.Map;

import java.util.Map.Entry;

import java.util.Set;

/**

* ID3算法实现类

* @author lyq

public class ID3Tool {

// 类标号的值类型

private final String YES = "Yes";

private final String NO = "No";

// 所有属性的类型总数,在这里就是data源数据的列数

private int attrNum;

private String filePath;

// 初始源数据，用一个二维字符数组存放模仿表格数据

private String[][] data;

// 数据的属性行的名字

private String[] attrNames;

// 每个属性的值所有类型

private HashMap<String, ArrayList<String>> attrValue;

public ID3Tool(String filePath) {

this.filePath = filePath;

attrValue = new HashMap<>();

}

/**

* 从文件中读取数据

private void readDataFile() {

File file = new File(filePath);

ArrayList<String[]> dataArray = new ArrayList<String[]>();

try {

BufferedReader in = new BufferedReader(new FileReader(file));

String str;

String[] tempArray;

while ((str = in.readLine()) != null) {

tempArray = str.split(" ");

dataArray.add(tempArray);

}

in.close();

} catch (IOException e) {

e.getStackTrace();

}

data = new String[dataArray.size()][];

dataArray.toArray(data);

attrNum = data[0].length;

attrNames = data[0];

* for(int i=0; i<data.length;i++){ for(int j=0; j<data[0].length; j++){

* System.out.print(" " + data[i][j]); }

* System.out.print("\n"); }

}

/**

* 首先初始化每种属性的值的所有类型，用于后面的子类熵的计算时用

private void initAttrValue() {

ArrayList<String> tempValues;

// 按照列的方式，从左往右找

for (int j = 1; j < attrNum; j++) {

// 从一列中的上往下开始寻找值

tempValues = new ArrayList<>();

for (int i = 1; i < data.length; i++) {

if (!tempValues.contains(data[i][j])) {

// 如果这个属性的值没有添加过，则添加

tempValues.add(data[i][j]);

}

// 一列属性的值已经遍历完毕，复制到map属性表中

attrValue.put(data[0][j], tempValues);

}

* for(Map.Entry entry : attrValue.entrySet()){

* System.out.println("key:value " + entry.getKey() + ":" +

* entry.getValue()); }

}

/**

* 计算数据按照不同方式划分的熵

* @param remainData

* 剩余的数据

* @param attrName

* 待划分的属性，在算信息增益的时候会使用到

* @param attrValue

* 划分的子属性值

* @param isParent

* 是否分子属性划分还是原来不变的划分

private double computeEntropy(String[][] remainData, String attrName,

String value, boolean isParent) {

// 实例总数

int total = 0;

// 正实例数

int posNum = 0;

// 负实例数

int negNum = 0;

// 还是按列从左往右遍历属性

for (int j = 1; j < attrNames.length; j++) {

// 找到了指定的属性

if (attrName.equals(attrNames[j])) {

for (int i = 1; i < remainData.length; i++) {

// 如果是父结点直接计算熵或者是通过子属性划分计算熵，这时要进行属性值的过滤

if (isParent

|| (!isParent && remainData[i][j].equals(value))) {

if (remainData[i][attrNames.length - 1].equals(YES)) {

// 判断此行数据是否为正实例

posNum++;

} else {

negNum++;

}

total = posNum + negNum;

double posProbobly = (double) posNum / total;

double negProbobly = (double) negNum / total;

if (posProbobly == 1 || posProbobly == 0) {

// 如果数据全为同种类型，则熵为0，否则带入下面的公式会报错

return 0;

}

double entropyValue = -posProbobly * Math.log(posProbobly)

/ Math.log(2.0) - negProbobly * Math.log(negProbobly)

/ Math.log(2.0);

// 返回计算所得熵

return entropyValue;

}

/**

* 为某个属性计算信息增益

* @param remainData

* 剩余的数据

* @param value

* 待划分的属性名称

* @return

private double computeGain(String[][] remainData, String value) {

double gainValue = 0;

// 源熵的大小将会与属性划分后进行比较

double entropyOri = 0;

// 子划分熵和

double childEntropySum = 0;

// 属性子类型的个数

int childValueNum = 0;

// 属性值的种数

ArrayList<String> attrTypes = attrValue.get(value);

// 子属性对应的权重比

HashMap<String, Integer> ratioValues = new HashMap<>();

for (int i = 0; i < attrTypes.size(); i++) {

// 首先都统一计数为0

ratioValues.put(attrTypes.get(i), 0);

}

// 还是按照一列，从左往右遍历

for (int j = 1; j < attrNames.length; j++) {

// 判断是否到了划分的属性列

if (value.equals(attrNames[j])) {

for (int i = 1; i <= remainData.length - 1; i++) {

childValueNum = ratioValues.get(remainData[i][j]);

// 增加个数并且重新存入

childValueNum++;

ratioValues.put(remainData[i][j], childValueNum);

}

// 计算原熵的大小

entropyOri = computeEntropy(remainData, value, null, true);

for (int i = 0; i < attrTypes.size(); i++) {

double ratio = (double) ratioValues.get(attrTypes.get(i))

/ (remainData.length - 1);

childEntropySum += ratio

* computeEntropy(remainData, value, attrTypes.get(i), false);

// System.out.println("ratio:value: " + ratio + " " +

// computeEntropy(remainData, value,

// attrTypes.get(i), false));

}

// 二者熵相减就是信息增益

gainValue = entropyOri - childEntropySum;

return gainValue;

}

/**

* 计算信息增益比

* @param remainData

* 剩余数据

* @param value

* 待划分属性

* @return

private double computeGainRatio(String[][] remainData, String value) {

double gain = 0;

double spiltInfo = 0;

int childValueNum = 0;

// 属性值的种数

ArrayList<String> attrTypes = attrValue.get(value);

// 子属性对应的权重比

HashMap<String, Integer> ratioValues = new HashMap<>();

for (int i = 0; i < attrTypes.size(); i++) {

// 首先都统一计数为0

ratioValues.put(attrTypes.get(i), 0);

}

// 还是按照一列，从左往右遍历

for (int j = 1; j < attrNames.length; j++) {

// 判断是否到了划分的属性列

if (value.equals(attrNames[j])) {

for (int i = 1; i <= remainData.length - 1; i++) {

childValueNum = ratioValues.get(remainData[i][j]);

// 增加个数并且重新存入

childValueNum++;

ratioValues.put(remainData[i][j], childValueNum);

}

// 计算信息增益

gain = computeGain(remainData, value);

// 计算分裂信息，分裂信息度量被定义为(分裂信息用来衡量属性分裂数据的广度和均匀)：

for (int i = 0; i < attrTypes.size(); i++) {

double ratio = (double) ratioValues.get(attrTypes.get(i))

/ (remainData.length - 1);

spiltInfo += -ratio * Math.log(ratio) / Math.log(2.0);

}

// 计算机信息增益率

return gain / spiltInfo;

}

/**

* 利用源数据构造决策树

private void buildDecisionTree(AttrNode node, String parentAttrValue,

String[][] remainData, ArrayList<String> remainAttr, boolean isID3) {

node.setParentAttrValue(parentAttrValue);

String attrName = "";

double gainValue = 0;

double tempValue = 0;

// 如果只有1个属性则直接返回

if (remainAttr.size() == 1) {

System.out.println("attr null");

return;

}

// 选择剩余属性中信息增益最大的作为下一个分类的属性

for (int i = 0; i < remainAttr.size(); i++) {

// 判断是否用ID3算法还是C4.5算法

if (isID3) {

// ID3算法采用的是按照信息增益的值来比

tempValue = computeGain(remainData, remainAttr.get(i));

} else {

// C4.5算法进行了改进，用的是信息增益率来比,克服了用信息增益选择属性时偏向选择取值多的属性的不足

tempValue = computeGainRatio(remainData, remainAttr.get(i));

}

if (tempValue > gainValue) {

gainValue = tempValue;

attrName = remainAttr.get(i);

}

node.setAttrName(attrName);

ArrayList<String> valueTypes = attrValue.get(attrName);

remainAttr.remove(attrName);

AttrNode[] childNode = new AttrNode[valueTypes.size()];

String[][] rData;

for (int i = 0; i < valueTypes.size(); i++) {

// 移除非此值类型的数据

rData = removeData(remainData, attrName, valueTypes.get(i));

childNode[i] = new AttrNode();

boolean sameClass = true;

ArrayList<String> indexArray = new ArrayList<>();

for (int k = 1; k < rData.length; k++) {

indexArray.add(rData[k][0]);

// 判断是否为同一类的

if (!rData[k][attrNames.length - 1]

.equals(rData[1][attrNames.length - 1])) {

// 只要有1个不相等，就不是同类型的

sameClass = false;

break;

}

if (!sameClass) {

// 创建新的对象属性，对象的同个引用会出错

ArrayList<String> rAttr = new ArrayList<>();

for (String str : remainAttr) {

rAttr.add(str);

}

buildDecisionTree(childNode[i], valueTypes.get(i), rData,

rAttr, isID3);

} else {

// 如果是同种类型，则直接为数据节点

childNode[i].setParentAttrValue(valueTypes.get(i));

childNode[i].setChildDataIndex(indexArray);

}

node.setChildAttrNode(childNode);

}

/**

* 属性划分完毕，进行数据的移除

* @param srcData

* 源数据

* @param attrName

* 划分的属性名称

* @param valueType

* 属性的值类型

private String[][] removeData(String[][] srcData, String attrName,

String valueType) {

String[][] desDataArray;

ArrayList<String[]> desData = new ArrayList<>();

// 待删除数据

ArrayList<String[]> selectData = new ArrayList<>();

selectData.add(attrNames);

// 数组数据转化到列表中，方便移除

for (int i = 0; i < srcData.length; i++) {

desData.add(srcData[i]);

}

// 还是从左往右一列列的查找

for (int j = 1; j < attrNames.length; j++) {

if (attrNames[j].equals(attrName)) {

for (int i = 1; i < desData.size(); i++) {

if (desData.get(i)[j].equals(valueType)) {

// 如果匹配这个数据，则移除其他的数据

selectData.add(desData.get(i));

}

desDataArray = new String[selectData.size()][];

selectData.toArray(desDataArray);

return desDataArray;

}

/**

* 开始构建决策树

* @param isID3

* 是否采用ID3算法构架决策树

public void startBuildingTree(boolean isID3) {

readDataFile();

initAttrValue();

ArrayList<String> remainAttr = new ArrayList<>();

// 添加属性，除了最后一个类标号属性

for (int i = 1; i < attrNames.length - 1; i++) {

remainAttr.add(attrNames[i]);

}

AttrNode rootNode = new AttrNode();

buildDecisionTree(rootNode, "", data, remainAttr, isID3);

showDecisionTree(rootNode, 1);

}

/**

* 显示决策树

* @param node

* 待显示的节点

* @param blankNum

* 行空格符，用于显示树型结构

private void showDecisionTree(AttrNode node, int blankNum) {

System.out.println();

for (int i = 0; i < blankNum; i++) {

System.out.print("\t");

}

System.out.print("--");

// 显示分类的属性值

if (node.getParentAttrValue() != null

&& node.getParentAttrValue().length() > 0) {

System.out.print(node.getParentAttrValue());

} else {

System.out.print("--");

}

System.out.print("--");

if (node.getChildDataIndex() != null

&& node.getChildDataIndex().size() > 0) {

String i = node.getChildDataIndex().get(0);

System.out.print("类别:"

+ data[Integer.parseInt(i)][attrNames.length - 1]);

System.out.print("[");

for (String index : node.getChildDataIndex()) {

System.out.print(index + ", ");

}

System.out.print("]");

} else {

// 递归显示子节点

System.out.print("【" + node.getAttrName() + "】");

for (AttrNode childNode : node.getChildAttrNode()) {

showDecisionTree(childNode, 2 * blankNum);

}

DataMiningAlgorithm/Classification/DataMining_ID3/ID3Tool.java at master · feiva/DataMiningAlgorithm · GitHub

Repository navigation

Expand file tree

Breadcrumbs

ID3Tool.java

Latest commit

History

Breadcrumbs

ID3Tool.java

File metadata and controls