决策树预测——机器学习

最新推荐文章于 2024-11-18 15:05:30 发布

人间—_有味是_清欢

最新推荐文章于 2024-11-18 15:05:30 发布

阅读量84

点赞数

分类专栏：机器学习文章标签： python 机器学习开发语言

本文链接：https://blog.csdn.net/m0_63047698/article/details/131192999

版权

机器学习专栏收录该内容

14 篇文章 0 订阅

订阅专栏

该文使用sklearn库构建决策树分类器，通过调整决策树的最大深度，研究其对模型预测精度的影响。实验基于鸢尾花数据集，选取两个特征进行训练和测试，结果显示不同深度下模型的精度，并以图形展示。此外，还展示了深度为2的决策树在训练数据上的分类效果。

摘要由CSDN通过智能技术生成

import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier#决策树库
from sklearn import datasets #数据集库
iris = datasets.load_iris() #四个特征的样本集合
X = iris.data[:, [0,2]] #取两个特征
Y = iris.target

x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.4)
#深度设置
Max_Depth = [2,6,10,15,20]
#精度存储
Predict_list = []
#训练模型
for i in Max_Depth:
    # criterion(特征选择标准):'gini':采用基尼系数构建；'entropy':采用信息增益构建
    # max_depth:决策树的深度，常用的可以取值10-100之间
    DTC_model = DecisionTreeClassifier(criterion='entropy',max_depth=i)
    DTC_model.fit(x_train,y_train)
    Predict = DTC_model.score(x_test,y_test)
    Predict_list.append(Predict)

#绘图
plt.title("不同深度精度对比图")
plt.xlabel("深度")
plt.ylabel("精度")

plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.bar(Max_Depth, Predict_list,color=['r','b','y','c','pink'],width=2,tick_label=Max_Depth)
for i in range(len(Predict_list)):
    plt.text(Max_Depth[i],Predict_list[i], format(Predict_list[i], '.2f'))
plt.show()

"======================================================================================"
#决策树在训练数据上的分类效果图
x_min, x_max = x_train[:,0].min()-1, x_train[:,0].max()+1#求第1特征取值最小与最大值
y_min, y_max = x_train[:,1].min()-1, x_train[:,1].max()+1#求第2特征取值最小与最大值

t1 = np.linspace(x_min,x_max,50)
t2 = np.linspace(y_min,y_max,50)
#以深度为2的模型来测试
clf = DecisionTreeClassifier(criterion='entropy',max_depth=2)
clf.fit(x_train, y_train)
xx,yy=np.meshgrid(t1,t2)#生成网格
grid_text = np.stack((xx.flat,yy.flat),axis=1)
y_predict=clf.predict(grid_text)
#设置颜色
cm_pt = mpl.colors.ListedColormap(['k','y','w'])
cm_bg = mpl.colors.ListedColormap(['w','pink','c'])
plt.xlim(x_min,x_max)
plt.ylim(y_min,y_max)
plt.pcolormesh(xx,yy,y_predict.reshape(xx.shape),cmap=cm_bg)#绘制网格背景
plt.scatter(x_train[:,0],x_train[:,1],cmap=cm_pt,c=y_train,marker='o')
plt.xlabel('x_train[0]')
plt.ylabel('x_train[1]')
plt.grid(True)
plt.show()