机器学习决策树作业

机器学习决策树作业

作业1：用独热编码表达天气数据集，并画出决策树。

作业2：

对于以下数据集，实际值和预测值：

data = {‘y_Actual’: [‘Yes’, ‘No’, ‘No’, ‘Yes’, ‘No’, ##‘Yes’, ‘No’, ‘No’, ‘Yes’, ‘No’, ‘Yes’, ‘No’],

‘y_Predicted’: [‘Yes’, ‘Yes’, ‘No’, ‘Yes’, ‘No’, ‘Yes’, ‘Yes’, ‘No’, ‘Yes’, ‘No’, ‘No’, ‘No’] }

1）手动计算查全率、查准率、精确率和F1分数（F1 score 先自学）（重要，可能会考试）

2）利用skleran编程验证上述结果

作业1：用独热编码表达天气数据集，并画出决策树。

用独热编码表达天气数据集

# 导入库
import pandas as pd
import matplotlib.pyplot as plt
from sklearn import tree
from sklearn import preprocessing
from sklearn.tree import DecisionTreeClassifier
# 导入数据
df = pd.read_csv('playornot.csv')
# 分割数据集
X, y = df.iloc[:, :-1], df.iloc[:, -1]   
#实例化
enc = preprocessing.OneHotEncoder()        
# 训练模型
enc.fit(X,y)
# 以数组形式显示转化后的独热编码                             
df1 = enc.transform(X).toarray()

输出

画出决策树

# 构建模型
cls = DecisionTreeClassifier()           
# 训练模型
cls.fit(df1,y)
# 树相关信息
feature_name,class_name = df1,df['类别'].unique() #中间节点和叶子节点
# 中文乱码
plt.rcParams['font.sans-serif'] = ['SimHei'] 
# 创建画布，并设置画布格式为1行1列，画布长宽为10英寸
fig, ax = plt.subplots(1, 1, figsize = (10,10))
# 绘制决策树
tree.plot_tree(cls, feature_names = feature_name, class_names = class_name, filled = True)
plt.show()

输出

作业2：

对于以下数据集，实际值和预测值：

data = {‘y_Actual’: [‘Yes’, ‘No’, ‘No’, ‘Yes’, ‘No’, ##‘Yes’, ‘No’, ‘No’, ‘Yes’, ‘No’, ‘Yes’, ‘No’],

‘y_Predicted’: [‘Yes’, ‘Yes’, ‘No’, ‘Yes’, ‘No’, ‘Yes’, ‘Yes’, ‘No’, ‘Yes’, ‘No’, ‘No’, ‘No’] }

from sklearn import metrics
y_Predicted = [1, 1, 0, 1, 0, 1, 1, 0, 1, 0, 0, 0]
y_Actual = [1, 0, 0, 1, 0, 1, 0, 0, 1, 0, 1, 0]
print("precision_score = :", metrics.precision_score(y_Predicted, y_Actual))
print("recall_score = :", metrics.recall_score(y_Predicted, y_Actual))
print("accuracy_score = :", metrics.accuracy_score(y_Predicted, y_Actual))
print("f1_score=:", metrics.f1_score(y_Predicted, y_Actual))

结果

原创不易 转载请标明出处
如果对你有所帮助 别忘啦点赞支持哈