游戏建模师工资一般多少提升神马seo关键词自然排名

每周一搏，提升自我。

python开发人工智能如火如荼，公司又安排任务，抱着无知者无畏的态度，开始学。

搭建环境：

    python：2.7.14

    编辑器：sublime text3

安装步骤和方法：https://my.oschina.net/wangzonghui/blog/1603104

安装学习库：

    pip install numpy

    pip install scipy

    pip install matplotlib

    pip install scikit-learn

决策树是人工智能的入门级监督式算法，从程序角度相对好理解，主要过程是根据训练数据的特征和结果，生成一套相应算法，评定测试数据，生成结论。

决策树的数学理论支持有香农熵（信息熵）和基尼不纯度，本人对高等数学不怎么感冒，不是太懂，感兴趣的可以百度。

主流算法如下：

ID3：第一代，有缺陷，基础的一代，入门最好。选择最大增益的特征划分数据。

C45:ID3的扩展板增加了IDC功能。选择最大增益比的特征划分数据。

C50：C45的优化版，准确效率更高。是一个商业软件，公众是不可能得到的。

CART：分类回归树，使用基尼不纯度来决定划分，它和C45区别是 1、叶节点不是具体分类，而是一个函数，该函数定义了在该条件下的回归函数 2、CART是二叉树，不是多叉树。

除了CART其他都是基于香农熵实现。

下面是ID3代码：

#!/usr/bin/python
#coding:utf-8from math import log
import operator#计算给定数据集的香农熵
def calcShannonEnt(dataSet):numEntries=len(dataSet)  #数据集长度lableCounts={}for featVec in dataSet:currentLable=featVec[-1]  #数据集最后一个标签，特征数量-1if currentLable not in lableCounts.keys():lableCounts[currentLable]=0lableCounts[currentLable]+=1 #判断标签是否在当前字典的键值中，是键值为1shannonEnt=0for key in lableCounts:prob=float(lableCounts[key])/numEntries  #计算响应标签概率shannonEnt -=prob* log(prob,2)            #计算香农熵并且返回return shannonEnt#创建简单的数据集   武器类型（0 步枪 1机枪），子弹（0 少 1多），血量（0 少，1多）  fight战斗 1逃跑 
def createDataSet():dataSet =[[1,1,0,'fight'],[1,0,1,'fight'],[1,0,1,'fight'],[1,0,1,'fight'],[0,0,1,'run'],[0,1,0,'fight'],[0,1,1,'run']]lables=['weapon','bullet','blood']return dataSet,lables#按行打印数据集
def printData(myData):for item in myData:print '%s' %(item)#给定特征划分数据集  dataSet（数据）  axis(数据下标)  value(数据值)
def splitDataSet(dataSet,axis,value):retDataSet=[]for featVec in dataSet:if featVec[axis] == value:reducedFeatVec = featVec[:axis]reducedFeatVec.extend(featVec[axis+1:])retDataSet.append(reducedFeatVec)return retDataSet#选择最好的数据集划分方式 
#用这个方法必须满足条件：1、数据必须是一种由列元素组成的列表   2、所有列表元素都要具有相同的数据长度 
#3、数据的最后一列是当前数据的类别标签
def chooseBestFeatureToSplit(dataSet):numFeatures=len(dataSet[0])-1  #数据集最后一个标签，特征数量-1baseEntropy=calcShannonEnt(dataSet)bestInfoGain=0bestFeature=-1for i in range(numFeatures):featList=[example[i] for example in dataSet]uniqueVals =set(featList)newEntropy=0for value in uniqueVals:subDataSet =splitDataSet(dataSet,i,value)prob=len(subDataSet)/float(len(dataSet))newEntropy+=prob * calcShannonEnt(subDataSet)infoGain = baseEntropy - newEntropyif(infoGain > bestInfoGain):bestInfoGain=infoGainbestFeature=ireturn bestFeature#构建决策树
def createTree(dataSet,lables):classList=[example[-1] for example in dataSet]if classList.count(classList[0])==len(classList):return classList[0]if len(dataSet[0] )== 1:return majorityCnt(classList)bestFeat = chooseBestFeatureToSplit(dataSet)bestFeatLable = lables[bestFeat]myTree={bestFeatLable:{}}del(lables[bestFeat])featValues=[example[bestFeat] for example in dataSet]uniqueVals = set(featValues)for value in uniqueVals:subLables = lables[:]myTree[bestFeatLable][value] = createTree(splitDataSet(dataSet,bestFeat,value),subLables)return myTree#挑选出现次数最多的分类名称
def majorityCnt(classList):classCount=[]for vote in classList:if vote not in classCount.keys():classCount[vote]=0classCount[vote] +=1sortedClassCount = sorted(ClassCount.iteritems(),key=operator.itemgetter(1),reverse=true)return sortedClassCount[0][0]#使用决策树分类
def classify(inputTree,featLabels,testVec):firstStr=inputTree.keys()[0]secondDict=inputTree[firstStr]featIndex=featLabels.index(firstStr)for key in secondDict.keys():if testVec[featIndex] ==key:if type(secondDict[key]).__name__=='dict':classLabel=classify(secondDict[key],featLabels,testVec)else:classLabel=secondDict[key]return classLabel#存储决策树
def storeTree(inputTree,filename):import picklefw=open(filename,'w')pickle.dump(inputTree,fw)fw.close()#获取决策树
def grabTree(filename):import picklefr=open(filename)return pickle.load(fr)######################运行测试######################
myDat,lables=createDataSet()
# printData(myDat)    #打印数据
#result=calcShannonEnt(myDat) #计算香农熵值
#print(result)#根据传入特征拆分数据
# jiqiang=splitDataSet(myDat,0,1)
# printData(jiqiang)
# buqiang=splitDataSet(myDat,0,0)
# printData(buqiang)# 比较所有特征的信息增益，返回最好特征划分的索引值
#chooseBestFeatureToSplit(myDat) #根据结果显示 武器类型值最大，是最好的用于划分数据集的特征#构建决策树  {'weapon': {0: {'blood': {0: 'fight', 1: 'run'}}, 1: 'fight'}}
#该例子中包含了3个叶子节点和2个判断节点
tree=createTree(myDat,lables)
print(tree)#根据决策树，预测结果
# dat,lab=createDataSet()
# result=classify(tree,lab,[1,0,0])
# print "结果是",result

直接运行出结果。天天学习，快乐无限。