决策树算法建议

Question

我想编写一个方法，该方法需要将近70个参数，并根据输入返回结果。

这是我算法的逻辑表示：

在表示形式中，有7个参数，作为树的结果，它给出Y或N。

我如何完成编写类似但又越来越复杂的算法？哪种语言会更有效地计算这种结果？

Answer 1

在机器学习术语中，您正在描述分类树。

有很多实现分类树的机器学习库。其中许多设计用于部署在服务器上，并且已经过优化，可以有效地与构建模型（这是您要尝试做的机器学习术语）的得分相对。

但是，这些库通常旨在从训练数据中学习树的结构，而您想手动构建它。要使用这种方法，您需要找到一个可以访问并“伪造”其模型格式的库。我不知道该向谁提出建议，这里不建议图书馆建议，但是Data Science也许可以提供帮助。

一种选择是将树编码为PMML，然后将其导入可以执行PMML模型的平台。例如，我相信可以在SQL Server和/或Microsoft Azure中完成。 This reference描述了另一种部署PMML模型的方法。

或者，您可以生成显示所需规则的综合数据集，然后使用所需的任何分类树库在该数据上训练模型。

Answer 2

一种方法是制作一个带有顶点的图，其中“边”包含要通过它才能满足的条件。

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})

另一种方法是对决策树进行建模，然后使用代码生成器生成代码或自行编写如下代码：

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})