使用决策树预测隐形眼镜类型

最新推荐文章于 2024-02-25 09:32:23 发布

梦醒时分2015

最新推荐文章于 2024-02-25 09:32:23 发布

阅读量1.5k

点赞数

分类专栏： Python 文章标签：决策树预测隐形眼镜类型

本文链接：https://blog.csdn.net/qq_26879045/article/details/80886572

版权

本文介绍了如何利用决策树预测隐形眼镜的类型，包括硬材质、软材质和不适合佩戴隐形眼镜三种情况。通过分析lenses.txt数据集，构建了决策树模型，并提供了相关的代码实现（trees.py和treePlotter.py）来展示决策过程。

摘要由CSDN通过智能技术生成

前言

本节学习从一堆原始数据中构造决策树。

决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。

使用决策树预测隐形眼镜类型

我们有一堆原始数据（lenses.txt）

young	myope	no	reduced	no lenses
young	myope	no	normal	soft
young	myope	yes	reduced	no lenses
young	myope	yes	normal	hard
young	hyper	no	reduced	no lenses
young	hyper	no	normal	soft
young	hyper	yes	reduced	no lenses
young	hyper	yes	normal	hard
pre	myope	no	reduced	no lenses
pre	myope	no	normal	soft
pre	myope	yes	reduced	no lenses
pre	myope	yes	normal	hard
pre	hyper	no	reduced	no lenses
pre	hyper	no	normal	soft
pre	hyper	yes	reduced	no lenses
pre	hyper	yes	normal	no lenses
presbyopic	myope	no	reduced	no lenses
presbyopic	myope	no	normal	no lenses
presbyopic	myope	yes	reduced	no lenses
presbyopic	myope	yes	normal	hard
presbyopic	hyper	no	reduced	no lenses
presbyopic	hyper	no	normal	soft
presbyopic	hyper	yes	reduced	no lenses
presbyopic	hyper	yes	normal	no lenses

* 特征有四个（前4列）：age（年龄）、prescript（症状）、astigmatic（是否散光）、tearRate（眼泪数量）

* 隐形眼镜类别有三类(最后一列)：硬材质(hard)、软材质(soft)、不适合佩戴隐形眼镜(no lenses)

构造决策树代码（trees.py）

# coding:utf-8
from math import log
import operator
import treePlotter
"""
计算香农熵
"""
def calcShannonEnt(dataSet):
    numEntries = len(dataSet)
    labelCounts = {}
    #为所有可能分类创建字典
    for featVec in dataSet: #the the number of unique elements and their occurance
        currentLabel = featVec[-1]
        if currentLabel not in labelCounts.keys(): labelCounts[currentLabel] = 0
        labelCounts[currentLabel] += 1
    shannonEnt = 0.0
    #以2为底求对数, prob为选择该分类的概率
    for key in labelCounts:
        prob = float(labelCounts[key])/numEntries
        shannonEnt -= prob * log(prob,2) #log base 2
    return shannonEnt

"""
按照给定特征划分数据集
输入：dataSet-待划分数据集
     axis-划分数据集特征
     value-特征返回值
"""
def splitDataSet(dataSet, axis, value):