决策树⑤——Python代码实现决策树

决策树系列目录(文末有大礼相送
决策树①——信息熵&信息增益&基尼系数
决策树②——决策树算法原理(ID3,C4.5,CART)
决策树③——决策树参数介绍(分类和回归)
决策树④——决策树Sklearn调参(GridSearchCV)
决策树应用实例①——泰坦尼克号分类
决策树应用实例②——用户流失预测模型
决策树应用实例③——银行借贷模型
决策树应用实例④——淘宝&京东白条(回归&均方差&随机森林)

上一篇总结了Sklearn库用GridSearchCV调参的过程,今天用python依据现代女生的审美创建一颗简单的决策树,看下是否能代表大众的心声~~

from math import log
import operator


def calcShannonEnt(dataset):
    numEntries = len(dataset)  # 输入样本个数
    labelCounts = {}  # 存类别及相应的数量
    for featVec in dataset:  # 一行即是一个特征向量
        currentLable = featVec[-1] # 取每个样本的类别
        if currentLable not in labelCounts.keys():# 
  • 5
    点赞
  • 18
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
决策树模型的Python实现可以通过使用scikit-learn库中的DecisionTreeClassifier和DecisionTreeRegressor来实现。 通过调用DecisionTreeClassifier可以实现分类决策树模型,而调用DecisionTreeRegressor可以实现回归决策树模型。在实际应用中,可以使用这两个模型来解决不同类型的问题。例如,可以使用DecisionTreeClassifier来预测员工是否离职,或者使用DecisionTreeRegressor来预测某个数值型属性的值。对于Python实现中的参数调优,可以使用K折交叉验证和GridSearch网格搜索来进行模型性能的评估和参数的选择。K折交叉验证可以帮助我们评估模型的泛化能力,而GridSearch网格搜索可以帮助我们找到最佳的参数组合。通过这些方法,我们可以得到一个性能良好的决策树模型,并且可以使用ROC曲线来评估分类模型的性能。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [决策树算法python代码实现](https://download.csdn.net/download/u010919410/10452196)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* *3* [机器学习——决策树模型:Python实现](https://blog.csdn.net/qq_34357269/article/details/109579188)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“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