机器学习算法|基于决策树的分类预测(二)
目录
Part1 Demo实践
Step1:库函数导入
Step2:模型训练
Step3:数据和模型可视化
Step4:模型预测
Part2 数据分析
Step1:库函数导入
Step2:数据读取/载入
Step3:数据信息简单查看
Step4:可视化描述
Part3 建模预测
Step1:利用 决策树模型 在二分类上 进行训练和预测
过程
Part1Demo实践
Step1:库函数导入
## 基础函数库import numpy as np## 导入画图库import matplotlib.pyplot as pltimport seaborn as sns## 导入决策树模型函数from sklearn.tree import DecisionTreeClassifierfrom sklearn import tree
Step2:模型训练
## 构造数据集x_fearures = np.array([[-1, -2], [-2, -1], [-3, -2], [1, 3], [2, 1], [3, 2]])
y_label = np.array([0, 1, 0, 1, 0, 1])## 调用决策树模型tree_clf = DecisionTreeClassifier()## 用决策树模型拟合构造的数据集tree_clf = tree_clf.fit(x_fearures, y_label)
Step3:数据和模型可视化
## 可视化构造的数据样本点plt.figure()
plt.scatter(x_fearures[:,0],x_fearures[:,1], c=y_label, s=50, cmap='viridis')
plt.title('Dataset')
plt.show()
Step4:模型预测
# 创建新样本x_fearures_new1 = np.array([[0, -1]])
x_fearures_new2 = np.array([[2, 1]])## 在训练集和测试集上分布利用训练好的模型进行预测y_label_new1_predict = tree_clf.predict(x_fearures_new1)
y_label_new2_predict = tree_clf.predict(x_fearures_new2)print('The New point 1 predict class:\n',y_label_new1_predict)print('The New point 2 predict class:\n',y_label_new2_predict)