关于决策树可视化各项展示数据的解读（泰坦尼克号预测生还案例Titanic）

已于 2023-02-08 21:54:48 修改
阅读量1.4k 收藏 16
点赞数 2
文章标签： 决策树 算法 python
于 2023-02-08 21:52:49 首次发布
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/yxsn0ysfn/article/details/128932495
版权
本文通过泰坦尼克号预测生还案例，解释了决策树可视化中sex=male<=0.5或sex=female<=0.5的含义，以及value值分别代表生还和遇难人数。sex=male/female是one-hot编码后的特征，value值较高者对应class显示的分类。同时，文章探讨了为何有些图未显示class自身的原因。
摘要由CSDN通过智能技术生成

本人是业余的编程爱好者，非职业程序员，如有解读错误的地方，欢迎大牛评论指正。

我写这个的动力是：我一晚上花了大量的时间在网上找了各种关于决策树可视化的图中sex=male<0.5或sex=female<0.5代表什么含义；value值哪个代表“遇难”，哪个数字代表“生还”；为什么有的图显示class自己的却没有这些问题的解答，我没有找到一篇文章对此有很清晰全面的解答。但是我就是想搞懂这个，因为可以直接根据图像来获得判断条件与结果的相关性信息！故此花了很多时间进行研究得出了以下结论，希望对大家有帮助。

先说结论：

1、sex=male <= 0.5或 sex=female <= 0.5代表什么含义？

        “sex=male” 、 “sex=female” 都是字典特征抽取后的特征值名称。特征抽取后，原先的“sex”特征经one-hot变成了“sex=male” 、 “sex=female”两个特征。

        原特征 sex 是 “male” 的，在one-hot后的 “sex=male” 的值为1 ，在one-hot后的 “sex=female” 的值为0 。原特征 sex 是 female 的 反之。

        sex=female  <=

最低0.47元/天 解锁文章
Joy丶EASon
关注
  • 2
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
决策树的可视化解读
天道酬勤
01-28 9402
浏览过网上的其他帖子，发现大多都是进行环境的配置，并没有对结果进行分析。故写此文（其他文章写过的内容，我就不赘述了）。 环境：Python 3.6 源代码：https://gitee.com/zhyantao/DeepLearning/tree/master/DecisionTree 使用工具Graphviz可视化决策树后，可以得到如下所示的一个PDF文件： 与之对应的CSV表格如...
决策树sklearn实现泰坦尼克号幸存者的预测 及决策树优缺点、参数、属性、接口总结
R18830287035的博客
04-12 2802
泰坦尼克号的沉没是世界上最严重的海难事故之一，今天我们通过分类树模型来预测一下哪些人可能成为幸存者。 数据集来自https://www.kaggle.com/c/titanic，数据集包含两个csv格式文件，data为我们接下来要使用的数据，test为kaggle提供的测试集。 接下来我们就来执行我们的代码。 1. 导入所需要的库 import pandas as pd from sklearn....
决策树结合可视化理解
UK - UofL HW - SDE
01-28 2053
决策树结合可视化理解决策树结合可视化理解参考修改时间 决策树结合可视化理解 在掌握了决策树原理的基础上，继续理解可视化决策树上数值的含义。 若尚有不明，可参考往期文章：决策树详解 从零到入门 直接入手一个例子，做出可视化视图： 已知数据： 工资(元/月) 睡觉时间(小时/天) 身高(cm) 年龄(年) x1x_1x1​ 5000 7.5 165 19 x2x_2x2​ 5000 8.5 170 21 x3x_3x3​ 8000 7.5 170 29 x4x_4x4​ 8000
【转】可视化理解决策树
Toby的博客
12-05 1235
目前无论是机器学习竞赛还是工业界,最流行、应用最广泛的xgboost其实是优化后的GBDT（LightGBM里面的boosting比较经典稳定的也是GBDT哦！），而GBDT的基分类器最常用的就是CART决策树！掌握决策树，对理解之后的GBDT、LightGBM都有大有裨益。 可视化的方式理解决策树，对深刻理解这个模型很有帮助。大家最熟知的决策树可视化实现方式是下面这种： dot_data=export_graphviz( clf, out_file=None, featu...
决策树算法应用及结果解读
热门推荐
数据森麟
12-23 2万+
作者：林骥 来源：林骥引言本文是我写的人工智能系列的第 8 篇文章，文末有前面 7 篇文章的链接，推荐你阅读、分享和交流。1. 决策树算法简介决策树是一种应用非常广泛的...
《机器学习实战》决策树可视化详解
Chrsitina_S的博客
11-25 641
最近在艰难的啃食机器学习，没有什么基础，又想把每一句都弄懂，这里和大家分享下，中间有一部分因为版本不同（小白用的3.0，书上好像2.0），已经做了修正。还留有一些疑问没有想明白，希望可以和大家交流下：1）书上的plotTree.totalW=float(getNumLeafs(inTree))作为全局变量使用，但是我的程序识别不出来它是全局变量，所以我的办法是在plotTree中又重新定义了一遍p...
决策树模型回归可视化分析_机器学习入门系列之决策树
weixin_39986543的博客
11-21 443
决策树是什么？决策树是一种常见的机器学习算法，它的思想十分朴素，类似于我们平时利用选择做决策的过程。类似流程图的结构，每个节点都可以进行判断，然后进入不同得决策子树中，直至到达叶子节点。比如在相亲中，我们要判断是否要见对方，通常会根据几个衡量标准来做出决策，生成的决策树图如下所示：通过上面例子，我们可以得出两个比较核心的问题：1. 我们应该选择什么作为划分特征，即年龄、长相、收入等2. ...
决策树及输出结果解释
nuonuopan8的博客
08-08 1万+
昨天学习了决策树的思想和算法，脑子卡壳了输出结果老是看不懂，一直在验算和猜想，hh后来终于明白了~在此记录巩固一下。 这里学的是ID3算法实现决策树，ID3算法能处理的数据类型是：自变量和因变量都是离散型。 假设自变量有3个：天气情况（好、坏）、是否周末（是、否）、是否有促销（有、没用）。因变量有1个：销售数量（高、低），则我们决策树叶节点都会是高、低这两种情况之一。ID3算法是基于信息熵来选择属性的，它选择当前样本集中具有最大信息增益值的自变量作为测试属性。可以简单的理解为每层的根节点、子节点都能计算
决策树可视化，被惊艳到了！
Oner.wv的专栏
12-04 2115
目前无论是机器学习竞赛还是工业界,最流行、应用最广泛的xgboost其实是优化后的GBDT（LightGBM里面的boosting比较经典稳定的也是GBDT哦！），而GBDT的基分类器最常...
决策树详解
张俊红的个人博客
09-10 1052
总第79篇01|背景：我们在日常生活中经常会遇到一些选择需要去做一些选择，比如我们在找工作的时候每个人都希望能找到一个好的工作，但是公司那么多，工作种类那么多，什么样的工作才能算是好工作...
对泰坦尼克号数据集的简单分析（决策树，支持向量机，随机森林）
06-23
RMS泰坦尼克号的沉没是历史上最臭名昭著的沉船之一。1912年4月15日，在首次航行期间，泰坦尼克号撞上冰山后沉没，2224名乘客和机组人员中有1502人遇难。这场轰动的悲剧震撼了国际社会，并导致了更好的船舶安全条例。 海难导致生命损失的原因之一是没有足够的救生艇给乘客和机组人员。虽然幸存下来的运气有一些因素，但一些人比其他人更有可能生存，比如妇女，儿童和上层阶级。
python机器学习数据建模与分析——决策树详解及可视化案例
一名在读大学生，正在学习深度学习，会定期分享一些该领域内容。欢迎大家一起交流学习~
03-21 3454
你是否玩过二十个问题的游戏，游戏的规则很简单:参与游戏的一方在脑海里想某个事物，其他参与者向他提问题，只允许提20个问题，问题的答案也只能用对或错回答。问问题的人通过推断分解，逐步缩小待猜测事物的范围。决策树的工作原理与20个问题类似，用户输人一系列数据，然后给出游戏的答案。我们经常使用决策树处理分类问题,近来的调查表明决策树也是最经常使用的数据挖掘算法。它之所以如此流行，一个很重要的原因就是使用者基本上不用了解机器学习算法，也不用深究它是如何工作的。
泰坦尼克号（决策树）
weixin_45116096的博客
06-01 1221
# encoding: utf-8 # 导入模块 import pandas as pd import graphviz from sklearn import datasets from sklearn.tree import DecisionTreeClassifier,export_graphviz from sklearn.model_selection import train_test_split from sklearn.feature_extraction import DictVector
3.2 决策树可视化
柳杰的博客
01-10 240
import numpy as np import pandas as pd from sklearn.tree import DecisionTreeClassifier from sklearn.preprocessing import LabelEncoder from sklearn import tree import pydotplus import matplotlib as mpl # 加载数据 def loaddata(): features = ["age", "work",
决策树可视化方法与技巧汇总（1）（分类决策树）（含Python代码示例）
wzk4869的博客
08-09 9943
决策树可视化方法与技巧汇总（1）（分类决策树）（含Python代码示例）
sklearn决策树结果可视化
ywj_1991的博客
02-16 4160
《老饼讲解机器学习》 目录 一.代码 二.运行结果 sklearn中，训练完决策树后，将决策树可视化，更容易帮助我们了解模型的训练结果。 决策树图形化 需要先通过pip安装graphviz包： pip install graphviz 仍然使用《分类:一个简单的决策树例子》中的例子： 一.代码 from sklearn.datasets import load_iris from sklearn import tree impor
菜鸟笔记——决策树（Titanic）
chickendaddy的博客
04-23 248
from sklearn.model_selection import train_test_split import pandas as pd from sklearn.feature_extraction import DictVectorizer from sklearn.tree import DecisionTreeClassifier,export_graphviz def decision_tree(): #获取数据 data = pd.read_csv("http://bio
机器学习理论1【决策树模型详细解读】
yuluuy的博客
05-23 836
1、什么是决策树 1）Definition：为达到目标根据一定的条件进行选择的过程，在机器学习中场用于分类。 2）Elements： 节点：节点会根据样本的特征进行判断，代表着样本的分类结果。最初的分界点被称为根节点，其余的被分为子节点，不再有分支的节点则被分为叶子结点。 边：边则代表着分类方向。 2、特征这么多，如何确定不同节点的具体内容？ 1）熵（entropy）：熵代表是分支下样本种类的丰富性。样本种类越多越混乱，熵就越大；如果分支下的样本完全属于同一类，熵就等于零。 2）基本思路：随
八、决策树算法实验可视化展示
beyond谚语的博客
04-17 1815
一、树模型的可视化展示 官网下载安装包 右击管理员身份运行，直接下一步即可。 配置环境变量： 将安装好的可视化软件的bin文件夹路径添加到系统环境变量Path下即可 打开cmd，输入dot -version，出现相关信息即安装成功 二、决策树过程运行 import numpy as np import os %matplotlib inline import matplotlib import matplotlib.pyplot as plt plt.rcParams['axes.labelsize'
用决策树编写一个泰坦尼克号生还预测树模型的可视化代码
最新发布
04-24
好的，以下是使用Python的scikit-learn库编写的泰坦尼克号生还预测树模型的可视化代码： ```python from sklearn import tree import pandas as pd import graphviz # 加载数据 data = pd.read_csv('titanic.csv') # 数据预处理 data = data.drop(['Name', 'Ticket', 'Cabin'], axis=1) data['Sex'] = (data['Sex'] == 'male').astype(int) data = data.dropna() # 构建特征和目标变量 X = data.drop('Survived', axis=1) y = data['Survived'] # 构建决策树模型 clf = tree.DecisionTreeClassifier(max_depth=3) clf.fit(X, y) # 可视化决策树模型 dot_data = tree.export_graphviz(clf, out_file=None, feature_names=X.columns, class_names=['Not Survived', 'Survived'], filled=True, rounded=True) graph = graphviz.Source(dot_data) graph.render('titanic_tree') ``` 该代码首先通过pandas库加载了名为“titanic.csv”的数据集，并对其进行了一些预处理。然后，使用scikit-learn库的决策树分类器构建了一个决策树模型，并将其拟合到训练数据中。最后，使用graphviz库将决策树模型可视化为图形，并将其保存为名为“titanic_tree”的文件。
评论 3
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