python机器学习实战决策树

最新推荐文章于 2021-11-17 20:29:28 发布
最新推荐文章于 2021-11-17 20:29:28 发布
阅读量299 收藏 1
点赞数
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/weixin_44871977/article/details/101435936
版权 
def createtree(dataset,labels):
   classlist = [example[-1] for example in dataset]
   if classlist.count(classlist[0]) == len(classlist):#print(labels)
      return classlist[0]
   if  len(dataset[0]) == 1:
      return majorityCnt(classlist)
   bestFeat = chooseBestFeatureToSplit(dataset)
   bestFeatLabel = labels[bestFeat]
   myTree = {bestFeatLabel:{}}
   bestfeatvalues = [example[bestFeat] for example in dataset]
   del[labels[bestFeat]]
   uniqueVals = set(bestfeatvalues)
   for value in bestfeatvalues:
      sublabels = labels[:]
      #print(sublabels)
      myTree[bestFeatLabel][value] = createtree(splitDataSet(dataset,bestFeat,value),sublabels)
   print(labels)
   return myTree

这个是决策树的部分代码，源于机器学习实战，我在return的前加了print（labels），显示出来一共有8组标签，这是为社么啊，求大神告知，递归的话我找不出来这么多标签啊，求大神告知

Lifelrving
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
python [example[i] for example in dataSet] 列表for循环
duanbin的博客
03-08 1987
featList = [example[i] for example in dataSet] classList = [example[-1] for example in dataSet] 将dataSet中的数据先按行依次放入example中，然后取得example中的example[i]元素，放入列表featList中 >>> dataSet [[1, 1, 'yes'],...
决策树的Python实现（含代码）
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...
机器学习实战之决策树
cxjoker的博客
03-09 1万+
    花了差不多一个星期，终于把《机器学习实战》这本书的第三章的决策树过了一遍，对于一个python渣渣来说，确实是着实不容易，好多代码都得一个一个的去查，所以整体上进度比较慢，再加上中间开了一篇关于自然语言处理和产品知识库构建的文章，导致进度及其之慢，但是总体上对代码的理解足够深刻，知道了整体决策树中ID3的一个具体编法和流程，但是得有一定决策树得基础，有兴趣得可以去看看南京大学周志华的《机器...
Python机器学习（三）--决策树算法
alvine008的专栏
07-14 5万+
一、决策树原理 决策树是用样本的属性作为结点，用属性的取值作为分支的树结构。 决策树的根结点是所有样本中信息量最大的属性。树的中间结点是该结点为根的子树所包含的样本子集中信息量最大的属性。决策树的叶结点是样本的类别值。决策树是一种知识表示形式，它是对所有样本数据的高度概括决策树能准确地识别所有样本的类别，也能有效地识别新样本的类别。   决策树算法ID3的基本思想： 首先找出最有
从头到尾理解树模型（一）：决策树
林夕
02-27 1444
Github主页：https://linxid.github.io/ 知乎：https://zhuanlan.zhihu.com/p/35775368 CSDN：https://blog.csdn.net/linxid/article/details/79973258 XGBoost和LightGBM已经成为Kaggle，天池等比赛和数据研究，必用的算法。这篇文章，从决策树出发，一步...
机器学习python实战之决策树
12-24
决策树原理：从数据集中找出决定性的特征对数据集进行迭代划分，直到某个分支下的数据都属于同一类型，或者已经遍历了所有划分数据集的特征，停止决策树算法。 　每次划分数据集的特征都有很多，那么我们怎么来选择...
Python ID3 DecisionTree
xgs
12-23 684
#coding=UTF-8 from math import log import operator #from DecisionTree import treePlotter #from DecisionTree.treePlotter import createPlot def createDataSet(): #训练数据集 dataSet = [[1, 1, 'yes'
《机器学习实战》决策树代码详解
weixin_36143190的博客
03-23 478
''' Created on Oct 12, 2010 Decision Tree Source Code for Machine Learning in Action Ch. 3 @author: Peter Harrington ''' from math import log import operator def createDataSet(): #创建一个数据集，前两列为特征，
机器学习实战_03-决策树
Acquire
07-17 221
决策树 优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。 缺点：可能会产生过度匹配问题。 适用数据类型：数值型和标称型。创建分支的伪代码函数createBranch()如下检测数据集中的每个子项是否属于同一分类： If so return 类标签； else 寻找划分数据集的最好特征 划分数据集 ‘
机器学习（三）：决策树
qq_45792429的博客
11-04 698
文章目录1、决策树1.1什么是决策树1.2和knn算法的区别1.3伪代码2 决策树的构造流程3 属性划分方法3.1 信息增益（ID3）3.1.1 信息熵3.1.2 信息增益1.5.2 信息增益率(C 4.5)1.5.2 基尼指数(CART) 1、决策树 1.1什么是决策树 有监督机器学习算法中的一类经典算法，是最经常使用的数据挖掘算法 它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。 典型算法
一文速学数模-分类模型(二)决策树(Decision Tree）算法详解及python实现
master_hunter的博客
10-13 1万+
前言 本人大数据专业初入大三刚刚接触机器学习这一课程，最近在学习这本书《机器学习实战》，第三章的内容就是决策树，概念非常简单，但是实现的话根据不同聚类情况要做出不同调整会有些许难。当然初入一些算法和机器学习的一些库还不是很熟练掌握，有待提升自己的编程结合能力。在此领域本人有诸多不明确疑问，可能文章会有些许错误，望大家在评论区指正，本篇文章错误将会不断更正维护。 提示：以下是本篇文章正文内容，下面案例可供参考 一、决策树概述 决策树(Decision Tree）是在已知各种情况发生概率的基础上，...
python决策树分箱_决策树的python实现方法
weixin_42122881的博客
02-10 513
#coding=utf-8import operatorfrom math import logimport timedef createDataSet():dataSet=[[1,1,'yes'],[1,1,'yes'],[1,0,'no'],[0,1,'no'],[0,1,'no']]labels = ['no surfaceing','flippers']return dataSet, la...
决策树原理实例（python代码实现）
热门推荐
程松
03-26 9万+
决策数(Decision Tree)在机器学习中也是比较常见的一种算法，属于监督学习中的一种。看字面意思应该也比较容易理解，相比其他算法比如支持向量机(SVM)或神经网络，似乎决策树感觉“亲切”许多。 优点：计算复杂度不高，输出结果易于理解，对中间值的缺失值不敏感，可以处理不相关特征数据。 缺点：可能会产生过度匹配的问题。 使用数据类型：数值型和标称型。 简单介绍完毕，让我们来通过一个例子让决策树“
机器学习（二）---决策树算法学习
向阳而生的博客
11-01 1682
概述
机器学习实战——决策树
qq_56451568的博客
11-17 973
一.什么是决策树 决策树，就是一个类似于流程图的树形结构，树内部的每一个节点代表的是对一个特征的测试，树的分支代表该特征的每一个测试结果，而树的每一个叶子节点代表一个类别。树的最高层是就是根节点。如下图就是个决策树 1.1 决策树的生成 （1）特征选择：特征选择是指从训练数据中众多的特征中选择一个特征作为当前节点的分裂标准，如何选择特征有着很多不同量化评估标准标准，从而衍生出不同的决策树算法。 （2）决策树生成： 根据选择的特征评估标准，从上至下递归地生成子节点，直到数据集不可分则停止决策...
【机器学习算法-python实现】决策树-Decision tree（2） 决策树的实现
Garvin的专栏
04-25 1万+
(转载请注明出处：http://blog.csdn.net/buptgshengod) 1.背景      接着上一节说，没看到请先看一下上一节关于数据集的划分数据集划分。现在我们得到了每个特征值得信息熵增益，我们按照信息熵增益的从大到校的顺序，安排排列为二叉树的节点。数据集和二叉树的图见下。 （二叉树的图是用python的matplotlib库画出来的） 数据集：
决策树分类1（学习记录）
weixin_43484007的博客
09-26 275
以下内容来源于《Machine Learning in Action》 决策树 优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。 缺点：可能会产生过度匹配问题。 适用数据类型：数值型和标称型。 在构造决策树时，我们需要解决的第一个问题就是，当前数据集上哪个特征在划分数据分类 时起决定性作用。为了找到决定性的特征，划分出最好的结果，我们必须评估每个特征。 完成测 试之后，原始数据集就被划分为几个数据子集。这些数据子集会分布在第一个决策点的所有分支 上。如果某个分支下的数据
python对决策树的实现
yxk666的博客
08-05 2121
python对决策树的实现 一、实验目的 此表中有14条实例数据，就是我们的训练数据。 其中 Outlook, Temperature, Humidity, Wind 称作条件属性，PlayTennis 称作是决策属性(标签)。 每一个属性都有各自的值记做： 1 Value(Outlook)={Sunny, OverCast, Rain} 2 Value(Temperature)={Hot, Mild, Cool} 3 Value(Humidity)={High, Normal} 4
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