python 决策树_机器学习(15): 决策树及Python实现

最新推荐文章于 2021-08-19 23:18:00 发布

weixin_39579726

最新推荐文章于 2021-08-19 23:18:00 发布

阅读量132

点赞数

文章标签： python 决策树 python决策树决策树 python 决策树python 机器学习决策树

本文链接：https://blog.csdn.net/weixin_39579726/article/details/111293443

版权

点击“ 机器学习研习社 ”，“置顶”公众号

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