重磅干货,第一时间送达
回复【大礼包】送你机器学习资料与笔记
回顾
机器学习(1):数据预处理
机器学习(2):简单线性回归分析
机器学习(3):多元线性回归
机器学习(4):逻辑回归
机器学习(5):KNN
机器学习(6):逻辑回归的数学原理
机器学习(7):支持向量机
机器学习(8):实现KNN
机器学习(9):SVM的实现
机器学习(10):朴素贝叶斯
机器学习(11):通过内核技巧实现SVM
机器学习(12): 神奇的逻辑回归
机器学习(13): Beautiful Soup
机器学习(14): 机器为什么能学习?
算法部分不再细讲,之前发过很多:
【算法系列】决策树
决策树(Decision Tree)ID3算法
决策树(Decision Tree)C4.5算法
决策树(Decision Tree)CART算法
ID3、C4.5、CART三种决策树的区别
实验:
导入需要用到的python库
import numpy as npimport matplotlib.pyplot as pltimport pandas as pd
导入数据集
dataset = pd.read_csv('Social_Network_Ads.csv')
X = dataset.iloc[:, [2, 3]].values
y = dataset.iloc[:, 4].values
将数据集拆分为训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)
特征缩放
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)
对测试集进行决策树分类拟合
from sklearn.tree import DecisionTreeClassifier
classifier = DecisionTreeClassifier(criterion = 'entropy', random_state = 0)
classifier.fit(X_train, y_train)
预测测试集的结果
y_pred = classifier.predict(X_test)
制作混淆矩阵
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)
将训练集结果进行可视化
from matplotlib.colors import ListedColormap
X_set, y_set = X_train, y_train
X1, X2 = np.meshgrid(np.arange(start = X_set[:, 0].min() - 1, stop = X_set[:, 0].max() + 1, step = 0.01),
np.arange(start = X_set[:, 1].min() - 1, stop = X_set[:, 1].max() + 1, step = 0.01))
plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),alpha = 0.75, cmap = ListedColormap(('red', 'green')))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())for i, j in enumerate(np.unique(y_set)):
plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],c = ListedColormap(('red', 'green'))(i), label = j)
plt.title('Decision Tree Classification (Training set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()
将测试集结果进行可视化
from matplotlib.colors import ListedColormap
X_set, y_set = X_test, y_test
X1, X2 = np.meshgrid(np.arange(start = X_set[:, 0].min() - 1, stop = X_set[:, 0].max() + 1, step = 0.01),
np.arange(start = X_set[:, 1].min() - 1, stop = X_set[:, 1].max() + 1, step = 0.01))
plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),alpha = 0.75, cmap = ListedColormap(('red', 'green')))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())for i, j in enumerate(np.unique(y_set)):
plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],c = ListedColormap(('red', 'green'))(i), label = j)
plt.title('Decision Tree Classification (Test set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()
推荐阅读
机器学习(1):数据预处理
机器学习(2):简单线性回归分析
机器学习(3):多元线性回归
机器学习(4):逻辑回归
机器学习(5):KNN
机器学习(6):逻辑回归的数学原理
机器学习(7):支持向量机
机器学习(8):实现KNN
机器学习(9):SVM的实现
机器学习(10):朴素贝叶斯
机器学习(11):通过内核技巧实现SVM
机器学习(12): 神奇的逻辑回归
机器学习(13): Beautiful Soup
机器学习(14): 机器为什么能学习?
机器学习研习社:目前是由国内985博士,硕士组成的团体发起并运营。主要分享和研究机器学习、深度学习、NLP 、Python,大数据等前沿知识、干货笔记和优质资源。