Python决策树转规则代码

我们在使用决策树进行规则挖掘分析时,如何将决策树的分割点转化为规则,用于业务部署上线??

 

可以看看这个代码:

首先建立一个决策树:

import pandas as pd
import numpy as np
from sklearn import tree
from sklearn.model_selection import train_test_split
import pandas as pd
import graphviz
# 1. 根据需求,导入数据集(样本命名为X,目标命名为y)
X = iris.data
y = iris.target

# 2. 拆分数据集合
x_train,x_test,y_train,y_test=train_test_split(X,y,test_size=0.3)
# 3.声明决策树模型
model=tree.DecisionTreeClassifier(criterion="entropy",random_state=30,
                                  splitter="random",max_depth=2,
                     
  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
Python中,可以使用scikit-learn库中的决策树算法来构建决策树模型,并使用export_text函数导出决策树规则。 下面是一个简单的示例代码: ```python from sklearn.tree import DecisionTreeClassifier, export_text from sklearn.datasets import load_iris # 加载数据集 iris = load_iris() X = iris.data y = iris.target # 构建决策树模型 model = DecisionTreeClassifier() model.fit(X, y) # 导出决策树规则 tree_rules = export_text(model, feature_names=iris.feature_names) print(tree_rules) ``` 在上面的代码中,首先使用`load_iris`函数加载了鸢尾花数据集,然后使用`DecisionTreeClassifier`类构建了一个决策树模型,并使用`fit`方法训练模型。最后,使用`export_text`函数导出决策树规则,并将其打印出来。 输出的规则类似于下面这样: ``` |--- petal width (cm) <= 0.80 | |--- class: 0 |--- petal width (cm) > 0.80 | |--- petal length (cm) <= 4.95 | | |--- petal width (cm) <= 1.65 | | | |--- class: 1 | | |--- petal width (cm) > 1.65 | | | |--- class: 2 | |--- petal length (cm) > 4.95 | | |--- petal width (cm) <= 1.75 | | | |--- sepal length (cm) <= 6.05 | | | | |--- class: 2 | | | |--- sepal length (cm) > 6.05 | | | | |--- class: 1 | | |--- petal width (cm) > 1.75 | | | |--- class: 2 ``` 这些规则描述了决策树是如何对输入数据进行分类的。例如,第一条规则表示如果花瓣宽度小于等于0.80厘米,则将其分类为类别0。后面的规则依次表示了其他的分类情况。
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

打赏作者

Python风控

支持他!

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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