生化宅男,李瑞超,adsl猫
决策树是一个非参数的监督式学习方法,主要用于分类和回归。算法的目标是通过推断数据特征,学习决策规则从而创建一个预测目标变量的模型。
from sklearn import tree x = [[0, 0], [1, 1]] y = [0, 1] clf = tree.decisiontreeclassifier() clf = clf.fit(x, y) clf.predict([[2., 2.]]) clf.predict_proba([[2., 2.]]) #计算属于每个类的概率
要求根据要求随机生成数据,并构建决策树,并举例预测。
(1) 调用数据的方法如下:
from sklearn.datasets import load_iris
iris = load_iris()# 从sklearn 数据集中获取鸢尾花数据。
(2) 利用sklearn中的决策树方法对鸢尾花数据建立决策树
(3) 为了能够直观看到建好的决策树,安装 pydotplus, 方法如下:
pip install pydotplus
pydotplus使用方法
import pydotplus #引入pydotplus
dot_data = tree.export_graphviz(clf, out_file=none)
graph = pydotplus.graph_from_dot_data(dot_data)
graph.write_pdf("iris.pdf")#将图写成pdf文件
(4)(选做) 不使用sklearn中的决策树方法,自己编写决策树构建程序(建议用python语言),并对鸢尾花数据构建决策树。
通过本次实验,了解了python中构建决策树的函数方法,并用鸢尾花数据集的可视化看到了生成的决策树效果图。困难在于不太理解决策时具体的构建过程,经过多次试验,自动构建的决策树和自己预测的规律结果是保持一致的,这说明了决策树的实用性。下一步应该学习理解自己构建出决策树。
如对本文有疑问,请在下面进行留言讨论,广大热心网友会与你互动!! 点击进行留言回复
python求numpy中array按列非零元素的平均值案例
网友评论