GATE-CS-2017（套装1）|问题 22

在本问题中，我们需要实现基于决策树的分类器的一些功能。以下是决策树节点结构的类定义：

class TreeNode:
    def __init__(self, attribute):
        self.attribute = attribute
        self.children = {}
        self.answer = ""

其中，attribute 表示这个节点关联的属性；children 是子节点的 set；answer 是与这个节点相连的答案。例如，如果一个根节点关联的属性是色泽（Color），颜色是红（Red）的商品到达了这个节点，从这个节点到叶子节点的路径上应该有一个 answer，例如“是一个好瓜”（Good）或“是一个坏瓜”（Bad）。

现在有一个已经构建好的决策树，你需要实现以下函数：

def predict(node, sample):
    '''
    预测给定样本的标签
    
    参数：
    node: TreeNode，决策树节点
    sample: list, 样本list，如['青绿', '蜷缩', '浊响', '清晰', '凹陷', '软粘']
    
    返回值：
    string，表示预测的标签
    '''
    pass

这个函数应该输出从给定 node 开始经过样本 sample 所得到的最后一级叶子节点的 answer。例如，如果包含（'青绿'，'蜷缩'，'浊响'，'清晰'，'凹陷'，'硬滑'）的样本落在了决策树上一个叶子节点，这个叶子节点的 answer 是“好瓜”，那么 predict 函数应该返回“Good”。

首先我们可以用 markdown 文档格式化上述内容，方便程序员阅读：

GATE-CS-2017（套装1）|问题 22

在本问题中，我们需要实现基于决策树的分类器的一些功能。以下是决策树节点结构的类定义：

    class TreeNode:
        def __init__(self, attribute):
            self.attribute = attribute
            self.children = {}
            self.answer = ""

其中，attribute 表示这个节点关联的属性；children 是子节点的 set；answer 是与这个节点相连的答案。例如，如果一个根节点关联的属性是色泽（Color），颜色是红（Red）的商品到达了这个节点，从这个节点到叶子节点的路径上应该有一个 answer，例如“是一个好瓜”（Good）或“是一个坏瓜”（Bad）。

现在有一个已经构建好的决策树，你需要实现以下函数：

def predict(node, sample):
    '''
    预测给定样本的标签
    
    参数：
    node: TreeNode，决策树节点
    sample: list, 样本list，如['青绿', '蜷缩', '浊响', '清晰', '凹陷', '软粘']
    
    返回值：
    string，表示预测的标签
    '''
    pass

这个函数应该输出从给定 node 开始经过样本 sample 所得到的最后一级叶子节点的 answer。例如，如果包含（'青绿'，'蜷缩'，'浊响'，'清晰'，'凹陷'，'硬滑'）的样本落在了决策树上一个叶子节点，这个叶子节点的 answer 是“好瓜”，那么 predict 函数应该返回“Good”。

接下来，我们可以开始撰写预测函数 predict 的实现：

def predict(node, sample):
    if not node.children:
        return node.answer
    attribute = node.attribute
    if sample[attribute] in node.children:
        return predict(node.children[sample[attribute]], sample)
    return node.answer

当传入的决策树节点的 children 为空时，表示此节点为叶子节点，我们直接返回 answer。否则，我们获取 attribute，判断 sample[attribute] 是否在 children 中。如果在，则我们继续向下遍历，否则我们返回 answer。