决策树模型构建+调参Python代码——用决策树模型实现机器学习

已于 2024-07-23 15:40:49 修改
阅读量1.2k 收藏 21
点赞数 22
分类专栏： 机器学习算法 文章标签： 机器学习 决策树 python
于 2024-07-16 10:44:04 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41698317/article/details/140459311
版权

一、决策树模型简介

1.1适用范围

决策树模型（Decision Tree）可以用于分类和回归任务，广泛应用于以下领域：

  • 客户细分
  • 信用风险评估
  • 医疗诊断
  • 营销策略优化

1.2原理

决策树是一种树形结构的预测模型，通过一系列的特征测试（即节点的分裂）将数据集逐步划分，从而形成一个树状的决策路径。每个节点表示一个特征，每个分支代表一个特征值的结果，每个叶节点表示一个类别或回归值。其基本构建过程包括：

  1. 从根节点开始，选择最优的特征进行数据集划分。
  2. 递归地对每个子节点重复上述过程，直到满足停止条件（如节点纯度足够高或没有更多特征可供选择）。

常用的分裂准则包括信息增益、信息增益率和基尼指数。

1.3优点

  1. 简单易解释：决策树结构直观，易于理解和解释。
  2. 无需特征标准化：对数据的尺度和分布没有严格要求。
  3. 处理缺失值：决策树可以处理缺失值，不需要进行缺失值填补。
  4. 处理多种数据类型：适用于数值型和类别型特征。

1.4缺点

  1. 容易过拟合：决策树容易对训练数据过拟合，特别是当树的深度很大时。
  2. 对噪声敏感：对噪声和数据中的小变化较为敏感，可能导致模型不稳定。
  3. 计算复杂度高：在构建决策树时，计算最优分裂点的过程可能非常耗时。

二、决策树模型的Python实现

2.1Python代码

以下是一个完整的决策树模型的Python代码示例，包含数据加载、预处理、模型训练和评估的详细注释。

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, confusion_matrix, roc_auc_score, roc_curve, ConfusionMatrixDisplay
import matplotlib.pyplot as plt

# 生成示例数据
from sklearn.datasets import make_classification

# 生成二分类数据集
X, y = make_classification(n_samples=1000, n_features=20, n_classes=2, random_state=42)

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建决策树模型并训练
model = DecisionTreeClassifier(random_state=42)
model.fit(X_train, y_train)

# 进行预测
y_pred = model.predict(X_test)
y_pred_proba = model.predict_proba(X_test)[:, 1]

# 评估模型
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)
roc_auc = roc_auc_score(y_test, y_pred_proba)
conf_matrix = confusion_matrix(y_test, y_pred)

print(f"Accuracy: {accuracy}")
print(f"Precision: {precision}")
print(f"Recall: {recall}")
print(f"F1 Score: {f1}")
print(f"ROC AUC Score: {roc_auc}")
print("Confusion Matrix:")
print(conf_matrix)

# 绘制混淆矩阵图
disp = ConfusionMatrixDisplay(confusion_matrix=conf_matrix, display_labels=model.classes_)
disp.plot(cmap=plt.cm.Blues)
plt.title('Confusion Matrix')
plt.show()

# 绘制ROC曲线
fpr, tpr, _ = roc_curve(y_test, y_pred_proba)
plt.figure()
plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic')
plt.legend(loc="lower right")
plt.show()

2.2代码说明

  1. 数据生成：
    • 使用 make_classification 生成一个二分类数据集，包含1000个样本和20个特征。
  2. 数据集划分：
    • 使用 train_test_split 将数据集划分为训练集和测试集，测试集比例为30%。
  3. 模型训练：
    • 创建一个决策树分类模型 DecisionTreeClassifier，并使用训练集数据对模型进行训练。
  4. 预测和评估：
    • 使用测试集数据进行预测，计算预测值和预测概率。
    • 评估模型的准确率、精确率、召回率、F1得分和ROC AUC得分。
    • 输出混淆矩阵和绘制ROC曲线。

三、用决策树模型实现机器学习案例

下面是一个完整的可运行决策树案例，包括数据生成、模型训练、预测及评估的过程。我们将使用scikit-learn的模拟数据，并展示运行结果。

3.1案例主要代码

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, confusion_matrix, roc_auc_score, roc_curve, ConfusionMatrixDisplay
import matplotlib.pyplot as plt

# 生成示例数据
from sklearn.datasets import make_classification

# 生成二分类数据集
X, y = make_classification(n_samples=1000, n_features=20, n_classes=2, random_state=42)

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建决策树模型并训练
model = DecisionTreeClassifier(random_state=42)
model.fit(X_train, y_train)

# 进行预测
y_pred = model.predict(X_test)
y_pred_proba = model.predict_proba(X_test)[:, 1]

# 评估模型
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)
roc_auc = roc_auc_score(y_test, y_pred_proba)
conf_matrix = confusion_matrix(y_test, y_pred)

# 打印评估结果
evaluation_results = {
    "Accuracy": accuracy,
    "Precision": precision,
    "Recall": recall,
    "F1 Score": f1,
    "ROC AUC Score": roc_auc,
    "Confusion Matrix": conf_matrix
}

# 绘制混淆矩阵图
fig_cm, ax_cm = plt.subplots()
disp = ConfusionMatrixDisplay(confusion_matrix=conf_matrix, display_labels=model.classes_)
disp.plot(cmap=plt.cm.Blues, ax=ax_cm)
plt.title('Confusion Matrix')

# 绘制ROC曲线
fpr, tpr, _ = roc_curve(y_test, y_pred_proba)
fig_roc, ax_roc = plt.subplots()
ax_roc.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc)
ax_roc.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
ax_roc.set_xlim([0.0, 1.0])
ax_roc.set_ylim([0.0, 1.05])
ax_roc.set_xlabel('False Positive Rate')
ax_roc.set_ylabel('True Positive Rate')
ax_roc.set_title('Receiver Operating Characteristic')
ax_roc.legend(loc="lower right")

# 显示图像
plt.close(fig_cm)
plt.close(fig_roc)
fig_cm.savefig('/mnt/data/confusion_matrix_dt.png')
fig_roc.savefig('/mnt/data/roc_curve_dt.png')

evaluation_results

3.2模型评价

1.模型准确性评价

Result
{'Accuracy': 0.8566666666666667,
 'Precision': 0.8636363636363636,
 'Recall': 0.8580645161290322,
 'F1 Score': 0.8608414239482202,
 'ROC AUC Score': 0.8566184649610677,
 'Confusion Matrix': array([[124,  21],
        [ 22, 133]])}

     以下是决策树模型的评估结果：

  • Accuracy（准确率）: 0.857
  • Precision（精确率）: 0.864
  • Recall（召回率）: 0.858
  • F1 Score: 0.861
  • ROC AUC Score: 0.857
  • Confusion Matrix（混淆矩阵）:
[[124  21]
 [ 22 133]]

2.混淆矩阵图绘制详细代码

import matplotlib.pyplot as plt
import seaborn as sns

# Display the confusion matrix
plt.figure(figsize=(8, 6))
sns.heatmap(conf_matrix, annot=True, fmt='d', cmap='Blues', xticklabels=['Predicted 0', 'Predicted 1'], yticklabels=['Actual 0', 'Actual 1'])
plt.title('Confusion Matrix')
plt.xlabel('Predicted')
plt.ylabel('Actual')
plt.show()

该图显示了模型的预测分类情况，包括真正类（TP）、假正类（FP）、假负类（FN）和真负类（TN）的数量。蓝色的阴影表示正确分类的样本数。 

3.ROC曲线图详细代码

import matplotlib.pyplot as plt
import seaborn as sns

# Display the ROC curve
fpr, tpr, _ = roc_curve(y_test, y_pred_proba)
plt.figure(figsize=(8, 6))
plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic')
plt.legend(loc="lower right")
plt.show()

 该图显示了模型的真阳性率（True Positive Rate）和假阳性率（False Positive Rate）之间的关系。ROC曲线下面积（AUC）为0.857，表明模型具有较高的分类能力。

四、决策树模型调参方法

对决策树进行调参和剪枝是为了提高模型的泛化能力，减少过拟合。以下是对决策树进行调参和剪枝的常见方法及其Python实现：

4.1 调参

调参主要是调整决策树的超参数，常见的超参数包括：

  • max_depth：树的最大深度，防止树过深导致过拟合。
  • min_samples_split：内部节点再划分所需最小样本数。
  • min_samples_leaf：叶子节点最少样本数。
  • max_features：划分时考虑的最大特征数。
  • criterion：划分标准，常用的有“gini”和“entropy”。

4.2 剪枝

剪枝主要是通过设置条件来限制决策树的增长，常见的方法有：

  • 预剪枝：通过设置上述超参数，在树构建过程中进行剪枝。
  • 后剪枝：先生成完全的决策树，再通过剪枝算法对其进行修剪。

4.3使用网格搜索进行调参

网格搜索是调参的常用方法，它通过遍历所有可能的参数组合来寻找最佳参数。Python代码实现方法如下：

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, confusion_matrix, roc_auc_score, roc_curve, ConfusionMatrixDisplay
import matplotlib.pyplot as plt

# 生成示例数据
from sklearn.datasets import make_classification

# 生成二分类数据集
X, y = make_classification(n_samples=1000, n_features=20, n_classes=2, random_state=42)

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 定义决策树模型
model = DecisionTreeClassifier(random_state=42)

# 定义参数网格
param_grid = {
    'max_depth': [None, 10, 20, 30, 40],
    'min_samples_split': [2, 5, 10],
    'min_samples_leaf': [1, 2, 4],
    'max_features': [None, 'sqrt', 'log2'],
    'criterion': ['gini', 'entropy']
}

# 使用GridSearchCV进行调参
grid_search = GridSearchCV(estimator=model, param_grid=param_grid, cv=5, n_jobs=-1, scoring='accuracy')
grid_search.fit(X_train, y_train)

# 输出最佳参数
best_params = grid_search.best_params_
print("Best parameters found: ", best_params)

# 使用最佳参数训练模型
best_model = grid_search.best_estimator_
best_model.fit(X_train, y_train)

# 进行预测
y_pred = best_model.predict(X_test)
y_pred_proba = best_model.predict_proba(X_test)[:, 1]

# 评估模型
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)
roc_auc = roc_auc_score(y_test, y_pred_proba)
conf_matrix = confusion_matrix(y_test, y_pred)

print(f"Accuracy: {accuracy}")
print(f"Precision: {precision}")
print(f"Recall: {recall}")
print(f"F1 Score: {f1}")
print(f"ROC AUC Score: {roc_auc}")
print("Confusion Matrix:")
print(conf_matrix)

# 绘制混淆矩阵图
plt.figure(figsize=(8, 6))
sns.heatmap(conf_matrix, annot=True, fmt='d', cmap='Blues', xticklabels=['Predicted 0', 'Predicted 1'], yticklabels=['Actual 0', 'Actual 1'])
plt.title('Confusion Matrix')
plt.xlabel('Predicted')
plt.ylabel('Actual')
plt.show()

# 绘制ROC曲线
fpr, tpr, _ = roc_curve(y_test, y_pred_proba)
plt.figure(figsize=(8, 6))
plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic')
plt.legend(loc="lower right")
plt.show()

4.4代码说明

  1. 数据生成和分割：

    • 使用 make_classification 生成一个二分类数据集，包含1000个样本和20个特征。
    • 使用 train_test_split 将数据集划分为训练集和测试集，测试集比例为30%。

  2. 模型定义和参数网格：

    • 创建一个决策树分类模型 DecisionTreeClassifier。
    • 定义一个参数网格，包括max_depth, min_samples_split, min_samples_leaf, max_features 和 criterion。

  3. 网格搜索：

    • 使用 GridSearchCV 对决策树模型进行调参，寻找最佳参数组合。

  4. 模型训练和评估：

    • 使用最佳参数训练决策树模型，并对测试集进行预测。
    • 评估模型的准确率、精确率、召回率、F1得分和ROC AUC得分，输出混淆矩阵。
    • 绘制混淆矩阵图和ROC曲线图。

          运行上述代码后，将得到最佳参数组合、模型评估结果、混淆矩阵图和ROC曲线图。

写代码的M教授
关注
专栏目录
python决策树预测模型_机器学习：决策树（Decision Tree）
weixin_39874196的博客
11-24 2827
决策树（decisiontree）是一种基本的分类与回归方法。在分类问题中，它可以认为是if-then规则的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。在学习时，利用训练数据，根据损失函数最小化的原则建立决策树模型；在预测时，对新的数据，利用决策树模型进行分类。1、决策树 1）决策树是一种树形结构，其中每个内部节点表示在一个属性上的测试，每个分支代表一个测试输出，每个节点代表一种类别...
数据挖掘 | [有监督学习——分类] 决策树基本知识及python代码实现——利用sklearn
12-21
# 创建并训练决策树模型 clf = DecisionTreeClassifier() clf.fit(X_train, y_train) # 预测 predictions = clf.predict(X_test) # 评估模型性能 # ... ``` 在实际应用中，决策树可能面临过拟合问题，这时可以...
决策树的Python实现（含代码）
热门推荐
CDA数据分析师
06-19 4万+
文章目录一、概述二、决策树的构建准备工作1.特征选择1.1 香农熵及计算函数1.2 信息增益2. 数据集最佳切分函数3. 按照给定列切分数据集三、递归构建决策树1. ID3算法2. 编写代码构建决策树四、决策树的存储五、使用决策树执行分类 一天，小迪与小西想养一只宠物。 小西：小迪小迪，好想养一只宠物呀，但是不知道养那种宠物比较合适。 小迪：好呀，养只宠物会给我们的生活带来很多乐趣呢。不过养什么...
机器学习——决策树代码实现
最新发布
weixin_57205312的博客
08-10 289
机器学习——决策树代码实现
基于Python实现的决策树模型
毕业作品网站
09-11 4221
监督学习通过观察“输入—输出”对，学习从输入到输出的映射函数。id=16720每一条数据有对应的”标签“，根据标签可以将数据集分为若干个类别。分类监督学习经训练集生 成一个学习模型，可以用来预测一条新数据的标签。机器学习的形式包括无监督学习，强化学习，监督学习和半监督学习；决策树归纳是一类简单的机器学习形式，它表示为一个函数，以属性值向量作为输入，返回一个决策。决策树由内节点上的属性值测试、分支上的属性值和叶子节点上的输出值组成。常见的监督学习模型有决策树、KNN算法、朴素贝叶斯和随机森林等。
python决策树建模_python小白之路：第十七章 决策树模型
weixin_39807896的博客
12-05 680
决策树1 什么是决策树生活中我们经常会遇到需要进行决策的事情，而在得到最终决定的过程中，我们通过一些策略或方法来进行判断，并不断思考，最终得到一个判断或结论。决策树是一种树形结构，可以把我们进行决策的过程直观表示出来。从根结点出发，自上而下，对样本数据进行分类，其中内部结点表示一个特征或属性，叶结点代表着最终样本被归到的某一个类别。1.1 栗子假设HR筛选简历以年龄(中年、青年)、学历(本科、研究...
参数调优：K折交叉验证与GridSearch网格搜索
m0_46388544的博客
01-27 2509
本文代码及数据集来自《Python大数据分析与机器学习商业案例实战》 一、K折交叉验证 在机器学习中，因为训练集和测试集的数据划分是随机的，所以有时会重复地使用数据，以便更好地评估模型的有效性，并选出最好的模型，该做法称为交叉验证。具体而言就是对原始样本数据进行切分，然后组合成为多组不同的训练集和测试集，用训练集训练模型，用测试集评估模型。某次的训练集可能是下次的测试集，故而称为交叉验证。 交叉验证的方法有简单交叉验证、K折交叉验证和留一交叉验证3种。其中K折交叉验证应用较为广泛，它是指将数据集随机等分.
Python决策树模型的基本原理和参数调优【附代码】
weixin_60476982的博客
03-11 3263
下图所示为一个典型的决策树模型：员工离职预测模型的简单演示。该决策树首先判断员工满意度是否小于5，答案为“是”则认为该员工会离职，答案为“否”则接着判断其收入是否小于10,000元，答案为“是”则认为该员工会离职，答案为“否”则认为该员工不会离职。这里。
机器学习+北邮自动化+课程实验+决策树+python代码实现
03-25
在本课程实验中，我们关注的是“机器学习”的一个关键分支——决策树（Decision Tree）的Python实现。北京邮电大学自动化专业的学生们在大三下学期的机器学习课程中，会接触到这一实验，旨在深入理解和掌握决策树...
XGBoost——机器学习（理论+图解+安装方法+python代码）
01-27
它基于决策树构建集成模型，通过优化目标函数来逐步迭代增强模型的效果。 ### 一、集成算法思想 集成学习是将多个弱分类器（如决策树）组合成一个强分类器的方法。以决策树为例，每个样本根据特征被划分到不同的...
基于Python常用机器学习算法的简洁实现之梯度提升决策树.zip
05-12
本资源包“基于Python常用机器学习算法的简洁实现之梯度提升决策树”聚焦于一种强大的集成学习方法——梯度提升决策树（Gradient Boosting Decision Tree, GBDT）。下面我们将深入探讨这一主题。 首先，我们需要...
决策树python代码
03-31
决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。Entropy = 系统的凌乱程度，使用算法ID3, C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念。 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。 分类树（决策树）是一种十分常用的分类方法。他是一种监管学习，所谓监管学习就是给定一堆样本，每个样本都有一组属性和一个类别，这些类别是事先确定的，那么通过学习得到一个分类器，这个分类器能够对新出现的对象给出正确的分类。这样的机器学习就被称之为监督学习。
决策树算法python代码实现
06-01
决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。Entropy = 系统的凌乱程度，使用算法ID3, C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念。 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。 分类树（决策树）是一种十分常用的分类方法。他是一种监管学习，所谓监管学习就是给定一堆样本，每个样本都有一组属性和一个类别，这些类别是事先确定的，那么通过学习得到一个分类器，这个分类器能够对新出现的对象给出正确的分类。这样的机器学习就被称之为监督学习。
Python 决策树调参
weixin_50304531的博客
11-16 2084
系列文章目录 https://www.jianshu.com/p/1f20e2362676 https://blog.csdn.net/linzhjbtx/article/details/85722187 https://www.cnblogs.com/chenyaling/p/7236435.html https://bluebird.blog.csdn.net/article/details/98595483 文章目录系列文章目录决策树简介一、参数二、常用函数三、模型调参注意事项总结 决策树简介
python 决策树模型_手把手教你用Python实现机器学习决策树模型
weixin_34547628的博客
01-29 1177
今天是机器学习专题的第21篇文章，我们一起来看一个新的模型——决策树。决策树的定义决策树是我本人非常喜欢的机器学习模型，非常直观容易理解，并且和数据结构的结合很紧密。我们学习的门槛也很低，相比于那些动辄一堆公式的模型来说，实在是简单得多。其实我们生活当中经常在用决策树，只是我们自己没有发现。决策树的本质就是一堆if-else的组合，举个经典的例子，比如我们去小摊子上买西瓜。水果摊的小贩都是怎么做的...
决策树代码（python）
DZY的博客
04-22 1万+
ID3决策树 前言 最近学习决策树，看了周志华的西瓜书，也看了很多博客，此文记录一下学习心得， 理论部分网上已经有很多了，此处不再赘述。由于本人对西瓜数据集的属性不太感冒，所以用的例子是男女，声音，头发。 划分流程 数据集8条 + 划分示意图 详细划分过程： 说明 伪代码说明递归建树过程 递归建树（数据集，标签）： # 结束条件 1. 该数据集中只有一个类，那判定结果就是这个类 2. 该数据集中不止一个类，但已无属性可以继续划分，结果为多的胜出 # 本层任务 找最
用python写一个决策树代码
weixin_42608299的博客
02-11 1172
在 Python 中实现决策树需要使用一些机器学习库，例如 scikit-learn。 以下是一个简单的决策树代码示例： from sklearn import tree# 训练数据 # 设定每个样本的特征为 [年龄, 是否有工作, 是否有房子] X = [[30, 1, 0], [20, 1, 1], [35, 0, 1], [40, 0, 0]] # 设定每个样本的标签为 [是否有车] Y ...
使用Python代码实现ID3决策树算法
qq_41562735的博客
12-08 574
相关文章：使用Python代码实现C4.5决策树算法 import math import numpy as np import operator ''' 计算熵 输入:数据集 输出:熵 ''' def calcShannonEnt(dataSet): numEntries = len(dataSet) labelCounts = {} for featVec in da...
Python中决策树分类器DecisionTreeClassifier参数和经验总结
199铱
01-03 2万+
classsklearn.tree.DecisionTreeClassifier(criterion=’gini’,splitter=’best’,max_depth=None,min_samples_split=2,min_samples_leaf=1,min_weight_fraction_leaf=0.0,max_features=None,random_state=None...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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