机器学习实战 adaboost学习

建立决策树首先得建立树桩，单层决策树（仅基于单个特征来做决策）

transpose 转置可以对数组进行重置，返回的是源数据的视图（不会进行任何复制操作）。

def plotimage(dataMat, labelMat):
    matplus = []
    matmini = []
    for i in range(len(dataMat)):
        if labelMat[i] > 0:
            matplus.append(dataMat[i])
        else:
            matmini.append(dataMat[i])
        ###当满足条件的时候是增加的这个点，因此一点要加上i

    matplusnp = np.array(matplus)
    matmininp = np.array(matmini)
    ###文本输入是list,具体分析的时候需要转换成array
    plt.scatter(np.transpose(matplusnp)[0], np.transpose(matplusnp)[1])
    plt.scatter(np.transpose(matmininp)[0], np.transpose(matmininp)[1])
    plt.show()

可以看到，如果想要试着从某个坐标轴上选择一个值（即选择一条与坐标轴平行的直线）来将所有的蓝色圆点和橘色圆点分开，这显然是不可能的。这就是单层决策树难以处理的一个著名问题。通过使用多颗单层决策树，我们可以构建出一个能够对该数据集完全正确分类的分类器