决策树使用数据挖掘技术来确定肿瘤是良性还是恶性

Question

我必须从 .csv 文件中读取患者数据，并根据每个患者读取的数据，使用决策树确定肿瘤是良性还是恶性。

我真的在为如何开始这个而苦苦挣扎。到目前为止，我已经编写了从 .csv 文件中读取数据并将数据存储到一个向量中的代码，如下所示，分布在几个头文件和 cpp 文件中。

根据我收集到的信息，我可以创建一个父决策类，然后我要处理的每个属性都是子类。不确定这是否有意义。请告诉我。

您将在下面找到我要处理的属性以及一个图形树，该图形树显示了如何确定肿瘤是良性还是恶性的，我的代码需要以此为基础。我还将包含一小部分 .csv 文件示例。

请给我一些指导，我如何做到这一点。我在使用指针表示法时遇到了最大的困难。任何指导将不胜感激。

CSVLine.h

#ifndef CSVLINE_H
#define CSVLINE_H

#include <string>
#include <sstream>
#include <vector>

using namespace std;

class CSVLine
{
private:
    vector<string> data;

public:
    CSVLine() {}
    CSVLine(const CSVLine& other)
    {
        data = other.data;
    }

    CSVLine operator = (const CSVLine& other)
    {
        data = other.data;
    }
    ~CSVLine() {}

    void parse(string line, char delimiter = ',');
    string getString(int columnNumber);
    int getInt(int columnNumber);
};

#endif

CSVLine.cpp

#include "CSVLine.h"

void CSVLine::parse(string line, char delimiter)
{
    stringstream inLine(line);

    string tempColumn = "";

    while (getline(inLine, tempColumn, delimiter))
    {
        data.push_back(tempColumn);
    }
}

string CSVLine::getString(int columnNumber)
{
    return data[columnNumber];
}

int CSVLine::getInt(int columnNumber)
{
    return atoi(data[columnNumber].c_str());
}

CSVReader.h

#ifndef CSVREADER_H
#define CSVREADER_H

#include <vector>
#include <fstream>
#include <iostream>

#include "CSVLine.h"

using namespace std;

class CSVReader
{
public:
    CSVReader() {}

    vector<CSVLine> read(string fileName);
};

#endif

CSVReader.cpp

#include "CSVReader.h"

vector<CSVLine> CSVReader::read(string fileName)
{
    ifstream inputFile;
    vector<CSVLine> lines;
    inputFile.open(fileName.c_str());
    string line = "";

    while (getline(inputFile, line))
    {
        CSVLine csvLine;
        csvLine.parse(line);
        lines.push_back(csvLine);
    }

    return lines;
}

Answer 1

这是我会做的。

首先，我会将功能表翻译成higher-order macro：

#define FOREACH_FEATURE(OP)                     
  OP(1, SampleCodeNumber, int, -1)              
  OP(2, ClumpThickness, int, -1)                
  OP(3, UniformityOfCellSize, int, -1)
// Fill in the rest of the table of features here yourself

然后我会使用这个宏来生成一个具有患者所有特征的结构，如下所示：

struct PatientData {
#define DECL_FEATURE(index, name, type, init) type name = init;
  FOREACH_FEATURE(DECL_FEATURE)
#undef DECL_FEATURE

  PatientData() {}
  
  PatientData(CSVLine& src) {
#define READ_FEATURE(index, name, type, init) name = src.getInt(index-1);
    FOREACH_FEATURE(READ_FEATURE)
#undef READ_FEATURE
  }
};

然后我将从 CSVLine 构造一个 PatientData 对象：

CSVLine line = ...;
PatientData patientData(line);

然后我将在 patientData 对象上将决策树实现为嵌套的 if-statements：

if (patientData.UniformityOfCellSize <= 2) {
  // ...
} else {
  // ...
}

这会让你开始，但你需要完成并可能扩展 FOREACH_FEATURE 宏并实现决策树......

节点和指针方法

如果您不想像上面那样实现您的树，请放弃上面的代码，而是执行以下操作。首先包含一些我们需要的文件并实现一个 Feature 类：

#include <memory>
#include <functional>

struct Feature {
  int index1;
  int apply(CSVLine& line) const {return line.getInt(index1-1);}
};

并将功能表翻译成Feature，如下所示：

Feature SampleCodeNumber{1};
Feature ClumpThickness{2};
Feature UniformityOfCellSize{3};
// Fill in the rest yourself

我们将使用 std::function<bool(CSVLine)> 来决定树中的分支：

typedef std::function<bool(CSVLine&)> BranchCondition;

重载 Feature 和 double 的比较运算符以返回 BranchCondition 让我们整齐地表达 BranchConditions：

#define DEF_FEATURE_OP(op) BranchCondition operator op (Feature f, double x) {return [f, x](CSVLine& line) {return f.apply(line) op x;};}
DEF_FEATURE_OP(<)
DEF_FEATURE_OP(<=)
DEF_FEATURE_OP(>)
DEF_FEATURE_OP(>=)
#undef DEF_FEATURE_OP

我们还需要声明分类的返回值：

enum class Severity {
  Benign, Malign
};

作为决策树的基类，我们声明

class PatientClassifier {
public:
  virtual Severity classify(CSVLine& p) const = 0;
  virtual ~PatientClassifier() {}
};

并针对常量值的简单情况以及函数severity来构造它来实现它：

class ConstantClassifier : public PatientClassifier {
public:
  ConstantClassifier(Severity v) : _value(v) {}
  Severity classify(CSVLine&) const override {return _value;}
private:
  Severity _value;
};

std::shared_ptr<PatientClassifier> severity(Severity v) {
  return std::make_shared<ConstantClassifier>(v);
}

对于分支情况以及函数branch：

class BranchingClassifier : public PatientClassifier {
public:
  BranchingClassifier(
    BranchCondition f,
    const std::shared_ptr<PatientClassifier>& onTrue,
    const std::shared_ptr<PatientClassifier>& onFalse)
    : _f(f), _onTrue(onTrue), _onFalse(onFalse) {}
  
  Severity classify(CSVLine& p) const override {
    return (_f(p)? _onTrue : _onFalse)->classify(p);
  }
private:
  BranchCondition _f;
  std::shared_ptr<PatientClassifier> _onTrue;
  std::shared_ptr<PatientClassifier> _onFalse;
};

std::shared_ptr<PatientClassifier> branch(
  BranchCondition f,
  const std::shared_ptr<PatientClassifier>& onTrue,
  const std::shared_ptr<PatientClassifier>& onFalse) {
  return std::make_shared<BranchingClassifier>(f, onTrue, onFalse);
}

然后我们就这样构建树

  auto decisionTree = branch(
    UniformityOfCellSize <= 2.0,
    severity(Severity::Benign),
    severity(Severity::Malign));

  CSVLine line;
  auto result = decisionTree->classify(line);

笔记：CSVLine 不需要自定义复制构造函数和赋值运算符。 getInt方法可以标记为const。