决策树算法建议

Question

我想要编写一个接受近70个参数的方法，并根据输入返回一个结果。

下面是我的算法的逻辑表示：

​

​

在表示中，有7个参数，作为树的结果，它给出了Y或N。

我如何才能完成这样的算法，但更大和更复杂？哪种语言能更有效地计算这个问题？

Answer 1

一种方法是有一个顶点图，其中边包含需要满足的条件。

class Node:

    def __init__(self, edges, val = None):
        self.edges = edges
        self.val = val

    def decide(self, args):
        if len(self.edges) < 1:
            return self.val

        for edge in self.edges:
            (cond, next) = edge

            if cond(args):
                return next.decide(args)
                break

n_a_a = Node([], 'y')
n_a_b = Node([], 'n')
n_b_a = Node([], 'y')
n_b_b = Node([], 'n')

n_a = Node([(lambda args: args['B'] > 0, n_a_a),
            (lambda args: args['B'] <= 0, n_a_b)])
n_b = Node([(lambda args: args['B'] > 5, n_b_a),
            (lambda args: args['B'] <= 5, n_b_b)])

root = Node([(lambda args: args['A'] > 0, n_a),
             (lambda args: args['A'] <= 0), n_b)])

print root.decide({'A':5,'B':10})

另一种方法是建模决策树，然后使用生成代码的代码根，或者自己手动编写如下代码：

def root(args):
    if args['A'] > 0:
        return n_a(args)

    return n_b(args)

def n_a(args):
    if args['B'] > 0:
        return n_a_a(args)

    return n_a_b(args)

def n_b(args):
    if args['B'] > 5:
        return n_b_a(args)

    return n_b_b(args)

def n_a_a(args):
    return 'y'

def n_a_b(args):
    return 'n'

def n_b_a(args):
    return 'y'

def n_b_b(args):
    return 'n'

print root({'A':5,'B':10})

Answer 2

在机器学习术语中，您描述的是分类树。

有许多机器学习库实现分类树。其中许多都被设计为部署在服务器上，并将被优化为与构建的模型--即机器学习术语--进行有效的评分。

然而，这些库通常是为了从培训数据中学习树的结构而设计的，而您希望手动构建它。要使用这种方法，您需要找到一个库，它的模型格式您可以访问和‘假’。我不知道我该推荐哪一个，这里的主题是询问库的建议，但是数据科学可能会帮上忙。

一种选择是在PMML中对树进行编码，然后将其导入可以执行PMML模型的平台中。例如，我相信这可以在Server和/或Microsoft中完成。本参考描述了另一种部署PMML模型的方法。

或者，您可以生成一个显示所需规则的合成数据集，然后使用任何您喜欢的分类树库来训练该数据的模型。