Python已經(jīng)成為數(shù)據(jù)科學(xué)的語言之王。大多數(shù)新的數(shù)據(jù)科學(xué)家和程序員繼續(xù)學(xué)習(xí)Python作為他們的第一門語言。這是有充分理由的;Python具有較淺的學(xué)習(xí)曲線、強大的社區(qū)和豐富的數(shù)據(jù)科學(xué)庫生態(tài)系統(tǒng)。

我用Python開始了我的數(shù)據(jù)科學(xué)之旅，它仍然是我解決數(shù)據(jù)科學(xué)問題最常用的工具。我很想更好地理解Python從您那里抽象出了什么，以及用性能更高的語言編寫更快代碼的成本與好處。

為了有代表性地介紹c++，我需要一個代表性的應(yīng)用程序，c++將是一個合適的選擇。從頭實現(xiàn)一個分類決策樹分類器似乎是一個適當(dāng)?shù)奶魬?zhàn)。這已經(jīng)被證明是一個測試但有益的學(xué)習(xí)旅程，我想分享一些我在這個過程中的主要經(jīng)驗。

關(guān)鍵經(jīng)驗:

• c++很少提供代碼提示或保護(hù)
• 盡早做出好的架構(gòu)決策
• 從長遠(yuǎn)來看，編寫測試將為您節(jié)省時間
• 語言的在線社區(qū)非常有價值
• 可移植性是一個重要的考慮因素

在Python中，你可以做很多事情。您可以創(chuàng)建一個變量，隨心所欲地改變它的類型，然后不必?fù)?dān)心如何處理它。這能讓你在執(zhí)行過程中改變想法。非常適合動態(tài)迭代原型設(shè)計。

在c++中，您必須預(yù)先決定您希望您的變量是什么類型。您還必須預(yù)先決定希望函數(shù)返回的類型。如果您聲明錯誤，例如試圖從一個已經(jīng)聲明為返回整數(shù)的函數(shù)返回一個字符串，那么您的進(jìn)程將會停止。在這種情況下，編譯器將阻止您編譯程序，通常帶有一個令人費解的錯誤消息。令人沮喪的是，編譯器是您的朋友，它會在這個問題導(dǎo)致后續(xù)問題之前預(yù)先提醒您。在Python中，只有在太晚的時候才發(fā)現(xiàn)問題是很常見的，比如在代碼投入生產(chǎn)之后。

在上面的示例中，編譯器捕獲定義為返回試圖返回字符串的整數(shù)的函數(shù)。

也有編譯器不支持您的情況。訪問一個被認(rèn)為存儲在特定內(nèi)存地址的變量時，可能只收到一個垃圾值，因為該變量已經(jīng)被刪除了。在這里，您通常不會在編譯時收到錯誤，而且很容易在代碼中留下錯誤，而您對此卻渾然不覺。

在上面的示例中，即使我們試圖訪問已被刪除的變量的內(nèi)存地址的值，編譯也不會給出錯誤。

盡早做出好的架構(gòu)決策

在Python中，很容易在嘗試解決問題的早期階段就開始編寫解決方案。由于c++的靈活性和較慢的開發(fā)速度，這種方法在使用c++時不能很好地工作。

在這個項目中，我最初使用的是我的python方法，即只編寫代碼，而不繪制端到端解決方案。最后，我坐下來，想出了一個解決這個問題的總體架構(gòu)。

下面列出了在實現(xiàn)決策樹分類器中開發(fā)的關(guān)鍵對象。它們包括一個Node類和一個Tree類，以及它們相關(guān)的屬性和方法，并且大部分可以在編寫任何代碼之前定義:

Node
- Node constructor
- Node destuctor
- Attributes
   - children nodes
   - data
   - best split feature chosen
   - best split category chosen
- Methods
   - giniImpurity() - metric for scoring quality of split
   - bestSplit() - best split feature and category

Tree
- Tree constructor
- Tree destructor
- Attributes
   - root node of tree
- Methods
   - traverse() - traverse nodes of tree
   - fit() - fit tree to dataset
   - predict() - make predictions classes with unseen data
   - CSVReader() - read a csv

決策樹項目的核心文件(不包括測試文件)如下所示，以供參考。

. 
├── CMakeLists.txt 
├── CSVReader.cpp 
├── CSVReader.hpp 
├── DecisionTree.cpp 
├── DecisionTree.hpp 
├── Main.cpp 
├── Node.cpp 
├── Node.hpp 
└── README.md

一旦該體系結(jié)構(gòu)就位，解決方案自然就會遵循。對類及其成員函數(shù)(類和函數(shù)參數(shù)以及返回的對象)的接口進(jìn)行前瞻性設(shè)計也可以使事情變得更加容易。

從長遠(yuǎn)來看，編寫測試將為您節(jié)省時間

由于c++缺乏安全性，所以測試代碼的每個部分是否都成功地完成了預(yù)期的功能是至關(guān)重要的。用于c++的谷歌Test測試框架很適合這個項目，它使用CMake構(gòu)建。

以可測試的方式編寫代碼可以更容易地識別和隔離bug。方法是為實現(xiàn)的類編寫靜態(tài)定義的成員函數(shù)。靜態(tài)定義的成員函數(shù)可以在沒有父類實例化的情況下獨立執(zhí)行。這使得為完成決策樹業(yè)務(wù)邏輯的一個方面的每一個功能編寫特定的、獨立的測試用例成為可能。

上面顯示了在終端中通過測試的谷歌Test的輸出。

語言的在線社區(qū)非常有價值

Python開發(fā)人員有一個開發(fā)人員社區(qū)，使用像Stack Overflow和博客這樣的工具為集體知識做出貢獻(xiàn)。此資源是Python數(shù)據(jù)科學(xué)的命脈。c++沒有等價的社區(qū)。在谷歌上搜索開發(fā)c++代碼時遇到的許多問題和錯誤消息，往往會得到?jīng)]有幫助的結(jié)果。一種語言的社區(qū)價值很大。

從上面我們可以看到，現(xiàn)在每個月被回答的與Python相關(guān)的問題比c++多4倍。在這里查看這些統(tǒng)計數(shù)據(jù)的當(dāng)前狀態(tài)。

可移植性是一個重要的考慮因素

在Python中，你可以確信任何安裝了Python解釋器的系統(tǒng)都能夠執(zhí)行你的Python程序。而在c++中，你就沒有這種特權(quán)了。由于c++是一種編譯語言，在運行程序之前必須先編譯程序，而且必須針對要運行程序的宿主的體系結(jié)構(gòu)來編譯它。

當(dāng)嘗試使用Github Actions遠(yuǎn)程測試代碼時，這成為一個重要的問題。由于主機是不同的操作系統(tǒng)和架構(gòu)，因此需要在虛擬機上測試代碼之前編譯代碼。這是部署代碼時需要管理的額外開銷。

總結(jié)

學(xué)習(xí)像c++這樣的低級語言可以讓你接觸到許多快速程序所需的核心概念，如內(nèi)存管理、數(shù)據(jù)結(jié)構(gòu)和編譯語言。它讓人們意識到Python中預(yù)先實現(xiàn)的數(shù)據(jù)結(jié)構(gòu)，比如Pandas DataFrames，將擁有處理內(nèi)存管理的系統(tǒng)，這些系統(tǒng)必須做出一系列假設(shè)，因此有局限性。

在實踐中，不太可能有很多數(shù)據(jù)科學(xué)家會使用c++來解決實驗性的數(shù)據(jù)科學(xué)問題，但是Python不再是最好的工具，例如編寫快速的數(shù)據(jù)解析器或?qū)崿F(xiàn)昂貴的算法。即使在這種情況下，我也將探索現(xiàn)代低級語言，如Go-lang和Rust，而不是c++。c++的語法讓人感覺很冗長，而且它缺乏許多可以從這些現(xiàn)代語言中獲得的安全特性。

您可以在這里從頭看到c++決策樹分類器的完整源代碼。您還可以在這里找到一個示例jupiter notebook，它直接從Python調(diào)用已實現(xiàn)的決策樹分類器，并在Titanic數(shù)據(jù)集上訓(xùn)練決策樹。https://github.com/hlamotte/decision-tree

到此這篇關(guān)于教你用c++從頭開始實現(xiàn)決策樹的文章就介紹到這了,更多相關(guān)c++實現(xiàn)決策樹內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論