用决策树实现分类（预测）实战（python）

最新推荐文章于 2024-09-13 11:22:59 发布

同志啊为人民服务！

最新推荐文章于 2024-09-13 11:22:59 发布

阅读量7.4k

点赞数 5

分类专栏： TensorFlow 文章标签：决策树分类 sklearn

本文链接：https://blog.csdn.net/t18438605018/article/details/121627118

版权

本文介绍了如何使用决策树进行分类预测，通过getbed.csv数据集展示具体步骤，包括环境准备、代码实现，强调了训练集、验证集和测试集的划分，并提供了相关参考资料和解决常见问题的方法。

摘要由CSDN通过智能技术生成

1.决策树原理

决策树（decision tree）是一类常见的机器学子方法。具体的原理这里不做介绍，读者可以简单理解为：要用决策树做未知样本的分类（预测），一定要现根据已有样本，训练、产生一颗泛化能力强，即能处理未知样本的决策树。

2.用决策树做分类的例子

a.数据集，名为getbed.csv
在这里插入图片描述

季节	时间已过八点	风力情况	要不要赖床
spring	no	breeze	yes
winter	no	no wind	yes
autumn	yes	breeze	yes
winter	no	no wind	yes
summer	no	breeze	yes
winter	yes	breeze	yes
winter	no	gale	yes
winter	no	no wind	yes
spring	yes	no wind	no
summer	yes	gale	no
summer	no	gale	no
autumn	yes	breeze	no

注意，读者制作getbed.csv时，不要带列名。

关于训练集、验证集和测试集的补充知识：参考训练集、验证集和测试集这三个名词的区别

在这里插入图片描述

b.环境准备

需要用到panda 和 scikit-learn，读者环境中没有的，自行安装

c.代码

import pandas as pd
from sklearn.feature_extraction import DictVectorizer
from sklearn import tree
from sklearn.model_selection import train_test_split


'''
获取数据内容。pandas.read_csv