决策树基本操作

加载数据集

from sklearn.datasets import load_iris #没有括号
sklearn.datasets.load_*() #小规模数据集
sklearn.datasets.fetch_*(datahome=None,subset='train'/'test'/'all') #大规模数据集

数据集的返回值

  • 数据类型:datasets.base.Bunch(字典格式)
  • 键:data(二维数组),target(标签数组),DESCR(数据描述),feature_names(特征名),target_names(标签名)
dict['key']=values
bunch.key=values

数据集的划分,一部分训练,一部分测试

测试集20%-30% 默认0.25

from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test=train_test_split(iris.data,iris.target,test_size=0.2,random_state=22)

返回值顺序:训练集特征值,测试集特征值,训练集目标值,测试集目标值

决策树划分依据

class sklearn.tree.DecisionTreeClassifier(criterion='gini',max_depth =None,random_state=None) #信息增益可改为entropy

模型评估

#直接对比真实值和预测值
y_predict = estimator.predict(x_test)
print("y_predict",y_predict)
print(y_test == y_predict)
#计算准确率
score = estimator.score(x_test,y_test)
print(score)

决策树可视化

from sklearn.tree import export_graphviz
export_graphviz(estimator,out_file='iris_tree.dot',feature_names=iris.feature_names)

http://webgraphviz.com/

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值