决策树算法及其应用案例

最新推荐文章于 2024-07-27 15:52:24 发布

Analyst128

最新推荐文章于 2024-07-27 15:52:24 发布

阅读量1.2w

点赞数 7

分类专栏：数据挖掘 Python语言文章标签： Python 数据挖掘算法数据分析

本文链接：https://blog.csdn.net/Analyst128/article/details/81871022

版权

本文探讨了决策树算法，包括ID3、C4.5和CART等类型，并通过图书销量预测案例展示了如何运用ID3算法。文章强调了数据预处理的重要性，特别是计算信息熵和权重比较，为构建决策树模型做准备。

摘要由CSDN通过智能技术生成

决策树算法主要分为三类：
ID3、C4.5、CART算法
以ID3算法为例：

对上表某图书销量进行预测.
思考:建立测试模型,各个变量数据权重?数据的转化?
重点在于：计算各个信息熵(数据预处理),可参考百度百科内容
决策树算法模块：
关注点:对数据需要进行预处理,转化为结构化数据,然后进行分析处理,信息熵的计算,权重大小的比较
数据的预处理模块：

#数据的处理模块
fname="C:/Users/Administrator/Desktop/pandashesuanfa/lesson.csv"
df=pd.read_csv(fname)               #备注:需要将csv文件转为utf-8格式再进行读取文件
#print(df)

x=df.iloc[:,1:5].as_matrix()   #提取变量值,并转化为数组
y=df.iloc[:,5].as_matrix()  #等价于df.iloc[:,5:6]


for i in range(0,len(x)):       #遍历所有数据
    for j in range(0,len(x[i])):
        thisdata=x[i][j]
        if(thisdata=="是" or thisdata=="多" or thisdata=="高"):
            x[i][j]=int(1)  #1的类型转为整型
        else:
            x[i][