数据挖掘 决策树

# 编码声明，并不是注释，而是一种特殊的源文件指令，用于指定文件的字符编码格式
# -*- coding: utf-8 -*-

import pandas as pd  # 提供了DataFrame等数据结构
from sklearn.tree import DecisionTreeClassifier, export_graphviz  # 决策树分类器和可视化决策树的模块
from sklearn.model_selection import train_test_split  # 划分训练集和测试集
from sklearn.feature_extraction import DictVectorizer  # 将字典形式的特征转换成向量形式

# 读入并选择
data = pd.read_csv("lenses.txt", encoding="gbk", sep="\t")
features = data[['age', 'prescript', 'astigmatic', 'tearRate']]  # 使用两层括号是为了创建一个包含多个列名的列表
targets = data['eye_types']
# 获取所有属性的同步属性值的名字
feature_name = []
# 遍历 features 数据框的每一列，对每一列的 unique 值进行提取，并将这些 unique 值添加到 feature_name 列表中
features.apply(lambda x: feature_name.extend(x.unique()), axis=0)

# 特征提抽取one-hot编码
vect = DictVectorizer()  # 将字典数据转换为特征矩阵，如果某个样本缺少某个特征，会用默认值（通常为0）进行填充，形成稀疏矩阵。
# 生成一个列表，其中每个元素是一个字典，字典的键是列名，值是对应行的值。	
features = vect.fit_transform((features.to_dict(orient="records")))

# 划分数据集
# 训练集特征数据赋值给 X_train，测试集特征数据赋值给 X_test，训练集目标数据赋值给 y_train，测试集目标数据赋值给 y_test
X_train, X_test, y_train, y_test = train_test_split(features, targets, test_size=0.25)

# #构建模型
clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)
score = clf.score(X_test, y_test)
print(f"决策树模型的分类准确率为{score:.3f}")

# 将模型保存至dot文件
with open("tree_model.dot", 'w') as f:
    f = export_graphviz(clf, out_file=f, feature_names=feature_name, class_names=targets.unique())

# #将模型输出至目标文件
# import os
# os.system(f"dot -Tpng {'tree_model.dot'} -o {'tree_model'}.jpg")

from sklearn.datasets import load_iris
from sklearn import tree
import graphviz

# ----------------数据准备----------------------------
iris = load_iris()  # 加载数据

# ---------------模型训练----------------------------------
clf = tree.DecisionTreeClassifier()  # sk-learn的决策树模型
clf = clf.fit(iris.data, iris.target)  # 用数据训练树模型构建()
r = tree.export_text(clf, feature_names=iris['feature_names'])
dot_data = tree.export_graphviz(clf, out_file=None,
                                feature_names=iris.feature_names,
                                class_names=iris.target_names,
                                filled=True, rounded=True,
                                special_characters=True)
graph = graphviz.Source(dot_data)  # 将存储在 dot_data 中的图形数据加载到对象中
graph  # 显示图形。（如果没显示，则需要独立运行这一句）
# graph.render("iris") #将图形保存为iris.pdf文件。
# graph.view()        # 直接打开pdf文件展示

# 关于使用的文件编码：
#     GBK编码主要用于简化汉字编码，通常在中国大陆被使用。如果你确定你的文本数据是中文并且使用了GBK编码，那么使用GBK编码是合适的。
#     但是如果你不确定数据的编码方式，或者数据中包含多种语言的字符，那么使用UTF-8编码会更加安全，因为它是一种通用的、兼容性很好的编码方式，能够支持几乎所有的字符和符号，并且在全球范围内被广泛应用。

# 每次运行准确度差距较大，主要是因为数据量太小

# 熵（entropy）是用来衡量一个随机变量的不确定性的度量，如果计算出的熵值较高，表示该数据集的不确定性也较高；而熵值较低则表示数据集的不确定性较低，即包含的信息量较少。

# "tearRate"特征是指眼泪流失率（tear rate），用于描述眼睛的泪液排出速度或眼泪的分泌量。
# "soft"通常指代软性隐形眼镜或软性眼镜镜片，而"hard"可能指代硬性隐形眼镜或硬性眼镜镜片。

如果不能生成决策树图片，可以参考这篇文章