用决策树预测获胜球队
import pandas as pd
dataset = pd.read_csv(data_filename)
dataset.ix[:5] # dataset.loc[:5] / dataset.iloc[:5]替代了dataset.ix[:5]
原文:
dataset = pd.read_csv(data_filename, parse_dates=[“Date”],skiprows=[0,])
提示报错
修改为
results = pd.read_csv(data_filename, parse_dates=["Date"])
#skiprows : list-like or integer, default None
#需要忽略的行数(从文件开始处算起),或需要跳过的行号列表(从0开始)
决策树中的参数
- min_samples_split : 控制决策节点的创建
- min_samples_leaf :决策节点能否被保留
- 创建决策的标准: 基尼不存度(Gini impurity) 和 信息增益(Information gain)
standings = pd.read_csv(standings_filename,encoding=“unicode_escape”)代替pd.read_csv(standings_filename, skiprows=[0,1])
- 这个unicode_escape是什么?将unicode的内存编码值进行存储,读取文件时在反向转换回来。这里就采用了unicode-escape的方式
from sklearn.model_selection import GridSearchCV 替代了 from sklearn.grid_search import GridSearchCV
GridSearchCV用于系统地遍历模型的多种参数组合,通过交叉验证确定最佳参数
-
best_score_ : 最佳模型下的分数
-
best_params_ : 最佳模型参数
-
cv_results_ 具体用法 : 模型不同参数下交叉验证的结果
-
best_estimator_ : 最佳分类器