ChiMerge 算法: 以鸢尾花数据集为例

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。

参考：

1. ChiMerge:Discretization of numeric attributs

2. Chi算法

参考1的要点：

1、最简单的离散算法是：等宽区间。从最小值到最大值之间,，均分为N等份，这样，如果 A, B为最小最大值，则每个区间的长度为w=(B-A) / N, 则区间边界值为 A+W, A+2W, …. A+(N-1)W.

2、还有一种简单算法，等频区间。区间的边界值要经过选择，使得每个区间包含大致相等的实例数量。比如说 N=10，每个区间应该包含大约10%的实例。

3、以上两种算法有弊端：比如，等宽区间划分，划分为5区间，最高工资为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。

4、 C4、CART、PVM算法在离散属性时会考虑类信息，但是是在算法实施的过程中间，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。

5、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。

6、离散化的主要目的是：消除数值属性以及为数值属性定义准确的类别。

7、高质量的离散化应该是：区间内一致，区间之间区分明显。

8、 ChiMerge算法用卡方统计量来决定相邻区间是否一致或者是否区别明显。如果经过验证，类别属性独立于其中一个区间，则这个区间就要被合并。

9、 ChiMerge算法包括2部分：1、初始化，2、自底向上合并，当满足停止条件的时候，区间合并停止。

第一步：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

第二步：合并区间，又包括两步骤

(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： $/chi^2=/sum^{m}_{i=1}/sum^{k}_{j=1}/frac{(A_{ij}-E_{ij})^2}{E_{ij}}$

参数说明；

m=2（每次比较的区间数是2个）

k=类别数量

Aij=第i区间第j类的实例的数量

Ri=第i区间的实例数量

$R_i=/sum_{j=1}^k Aij$

Cj=第j类的实例数量

$C_j=/sum_{i=1}^m A_{ij}$

N=总的实例数量

$N=/sum_{j=1}^k C_j$

Eij= Aij的期望频率

$E_{ij}=/frac{N_i*C_j}{N}$

10、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，类别和属性独立时，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。

11、 ChiMerge算法推荐使用.90、.95、.99置信度，最大区间数取10到15之间.

举例：

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。（韩家炜数据挖掘概念与技术第三版习题3.12）

下面是我用Python写的程序，大致分两步：

第一步，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；

第二步，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

__author__ = "Yinlong Zhao (zhaoyl[at]sjtu[dot]edu[dot]cn)"
__date__ = "$Date: 2013/03/25 $"from time import ctimedef read(file):'''read raw date from a file '''Instances=[]fp=open(file,'r')for line in fp:line=line.strip('\n') #discard '\n'if line!='':Instances.append(line.split(','))fp.close()return(Instances)def split(Instances,i):''' Split the 4 attibutes, collect the data of the ith attributs, i=0,1,2,3Return a list like [['0.2', 'Iris-setosa'], ['0.2', 'Iris-setosa'],...]'''log=[]for r in Instances:log.append([r[i],r[4]])return(log)def count(log):'''Count the number of the same recordReturn a list like [['4.3', 'Iris-setosa', 1], ['4.4', 'Iris-setosa', 3],...]'''log_cnt=[]log.sort(key=lambda log:log[0])i=0while(i<len(log)):cnt=log.count(log[i])#count the number of the same recordrecord=log[i][:]record.append(cnt) # the return value of append is Nonelog_cnt.append(record)i+=cnt#count the next diferent item return(log_cnt)def build(log_cnt):'''Build a structure (a list of truples) that ChiMerge algorithm works properly on it '''log_dic={}for record in log_cnt:if record[0] not in log_dic.keys():log_dic[record[0]]=[0,0,0]if record[1]=='Iris-setosa':log_dic[record[0]][0]=record[2]elif record[1]=='Iris-versicolor':log_dic[record[0]][1]=record[2]elif record[1]=='Iris-virginica':log_dic[record[0]][2]=record[2]else:raise TypeError("Data Exception")log_truple=sorted(log_dic.items())return(log_truple)def collect(Instances,i):''' collect data for discretization '''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[:] # c[0]=a[0]for i in range(len(a[1])):c[1][i]+=b[1][i]return(c)def chi2(A):''' Compute the Chi-Square value '''   m=len(A);k=len(A[0])R=[]for i in range(m):sum=0for j in range(k):sum+=A[i][j]R.append(sum)C=[]for j in range(k):sum=0for i in range(m):sum+=A[i][j]C.append(sum)N=0for ele in C:N+=eleres=0for i in range(m):for j in range(k):Eij=R[i]*C[j]/Nif Eij!=0:res=res+(A[i][j]-Eij)**2/Eijreturn resdef ChiMerge(log_tuple,max_interval):''' ChiMerge algorithm  '''''' Return split points '''    num_interval=len(log_tuple)while(num_interval>max_interval):               num_pair=num_interval-1chi_values=[]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) # get the minimum chi value for i in range(num_pair-1,-1,-1): # treat from the last oneif chi_values[i]==min_chi:log_tuple[i]=combine(log_tuple[i],log_tuple[i+1]) # combine the two adjacent intervalslog_tuple[i+1]='Merged'while('Merged' in log_tuple): # remove the merged recordlog_tuple.remove('Merged')num_interval=len(log_tuple)split_points=[record[0] for record in log_tuple]return(split_points)def discrete(path):''' ChiMerege discretization of the Iris plants database '''Instances=read(path)max_interval=6num_log=4for i in range(num_log):log_tuple=collect(Instances,i) # collect data for discretizationsplit_points=ChiMerge(log_tuple,max_interval) # discretize data using ChiMerge algorithm print(split_points)if __name__=='__main__':print('Start: ' + ctime())discrete('c:\\Python33\\iris.data')print('End: ' + ctime())

函数说明：

1. 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

2. ChiMerge(log_tuple,max_interval)

ChiMerge算法，返回区间的分裂点

程序运行结果：

>>> ================================ RESTART ================================
>>>
Start: Mon Mar 25 21:31:40 2013
['4.3', '4.9', '5.0', '5.5', '5.8', '7.1']
['2.0', '2.3', '2.5', '2.9', '3.0', '3.4']
['1.0', '3.0', '4.5', '4.8', '5.0', '5.2']
['0.1', '1.0', '1.4', '1.7', '1.8', '1.9']
End: Mon Mar 25 21:31:40 2013
>>>

本文出自： http://blog.csdn.net/zhaoyl03/article/details/8689440

ChiMerge 算法: 以鸢尾花数据集为例相关推荐

感知机算法在鸢尾花数据集上的实践
感知机算法在鸢尾花数据集上的实践 1 问题背景 2 数据集的微处理 3 导数据,并进行简单可视化 4 模型算法的训练部分 1 问题背景感知机作为一个比较经典的处理线性二分类的算法,今天想着实践一下, ...
KNN算法实现鸢尾花数据集分类
KNN算法实现鸢尾花数据集分类作者介绍数据集介绍 KNN算法介绍用KNN实现鸢尾花分类作者介绍乔冠华,女,西安工程大学电子信息学院,2020级硕士研究生,张宏伟人工智能课题组. 研究方向:机 ...
逻辑回归算法实现鸢尾花数据集的二分类
1.介绍前言为了更好的理解本章内容,请参考下面的网址,自主学习一些矩阵求导运算. https://zhuanlan.zhihu.com/p/158182135机器学习约定规则: 向量对标量求导 ...
线性回归中，三种梯度下降MGD、BGD与MBGD对比研究(三)——以鸢尾花数据集为例
上一次,写了MGD.SGD.MBGD的代码实现,现在,我们来康康实例我们以大名鼎鼎的鸢尾花数据集为例: https://archive.ics.uci.edu/ml/machine-learning ...
Python原生代码实现KNN算法（鸢尾花数据集）
一．作业题目 Python原生代码实现KNN分类算法,使用鸢尾花数据集. KNN算法介绍: K最近邻(k-Nearest Neighbor,KNN)分类算法,是机器学习算法之一. 该方法的思路是:如果 ...
数据集特征提取_基于PCA算法实现鸢尾花数据集的特征提取任务
PCA算法的必要性多变量大数据集无疑会为研究和应用提供丰富的信息,但是许多变量之间可能存在相关性,从而增加了问题分析的复杂性.如果分别对每个指标进行分析,分析往往是孤立的,不能完全利用数据中的信息, ...
【基础机器学习算法原理与实现】使用感知器算法LDA、最小二乘法LSM、Fisher线性判别分析与KNN算法实现鸢尾花数据集的二分类问题
本文设计并实现了PerceptronLA.PseudoIA.LeastSM.LinearDA.KNN等五个算法类,以及DataProcessor的数据处理类.对感知器算法LDA.最小二乘法LSM的伪逆 ...
python KNN分类算法使用鸢尾花数据集实战
KNN分类算法,又叫K近邻算法,它概念极其简单,但效果又很优秀. 如觉得有帮助请点赞关注收藏啦~~~ KNN算法的核心是,如果一个样本在特征空间中的K个最相似,即特征空间中最邻近的样本中的大多数属于某 ...
如何了解Ski-learn提供的离散型数据集的构造——以鸢尾花数据集为例
一.利用描述函数 #导入鸢尾花数据集 from sklearn.datasets import load_iris # 描述鸢尾花数据集 iris = load_iris() # 输出对iris数据集 ...

ChiMerge 算法: 以鸢尾花数据集为例

ChiMerge 算法: 以鸢尾花数据集为例相关推荐

最新文章

热门文章