三、决策树

最新推荐文章于 2020-11-23 00:45:25 发布
最新推荐文章于 2020-11-23 00:45:25 发布
阅读量302 收藏
点赞数
分类专栏： R语言基础
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/zpp15603669517/article/details/80665754
版权
# 建立路径
setwd("F:\\8#机器学习\\第二步\\第一版1.0\\")


# 读取数据
set.seed(126)
user <- read.csv("完整版1.0_进模型_30.csv",stringsAsFactors = F)


# 查看数据
View(user[1:10,])
table(user$index_1)
summary(user)
str(user)


# 查看变量类型
sapply(user,class)


# 选择要的变量
user <- user[,c(6:57,59:64)]


# 将预测变量转化为因子
user$index_1 <- as.factor(user$index_1)


# 决策树可以对全数据做模型、也可手动分类做模型、缺失值和极值可以手动处理
# 举例 （此处不用）
user <- user[user$flag==1 | user$flag==2 | user$flag==3,]
user$flag <- NULL


##将数据分为训练集和测试集，比例为7:3
set.seed(123)
ind=sample(2, nrow(user), replace=TRUE, prob=c(0.7, 0.3))
user_train <- user[ind==1,]
user_test <- user[ind==2,]


# 检查训练和测试集中的亏损的比例情况
prop.table(table(user$index_1))
prop.table(table(user_train$index_1))
prop.table(table(user_test$index_1))


##################################训练模型###############################
# 安装包并且载入包
install.packages("C50")
library(C50)


# 构建模型
# model <- C5.0(train, class, trials = 1, costs = NULL)
# train: 一个包含训练数据的数据框
# class: 包含训练数据每一行的分类的一个因子向量
# trials: 为一个可选数值，用于控制自助法循环的次数（默认为1）
# costs: 为一个可选矩阵，用于给出与各种类型错误相对应的成本
# 该函数返回一个C5.0模型对象，该对象可用于预测


# 预测模型
# prediction <- predict(m, test, type = "class")
# m: 由C5.0(train, class, trials = 1, costs = NULL) 训练的一个模型
# test: 一个包含测试数据的数据框，该数据框和用来创建分类器的训练数据有相同的特征
# type: 取值为“”或者“”标示预测是最可能的类别值或者是原始的预测概率
# 该函数返回一个向量，根据参数type的取值，该向量含有预测的类别值或者原始的预测概率
# 实际操作
user_model <- C5.0(user_train[-53], user_train$index_1) # 准确率69.8  正确率 52%
user_model
# summary函数查看树的详细信息
summary(user_model)


# 简单查看树模型 可查看分支树
plot(user_model,subtree = 3,main="NO.3")


#利用训练的模型对测试数据集进行预测，调用gmodel软件包评价模型预测准确性：
user_pred <- predict(user_model, user_test)
library(gmodels)
CrossTable(user_test$index_1, user_pred, prop.chisq = FALSE, prop.c = FALSE, 
           prop.r = FALSE, dnn = c("实际", "预测"))




##########################################################################################
######################################模型提升##############################################
##########################################################################################
##########################trials 循环#######################
user_model <- C5.0(user_train[-53], user_train$index_1,trials=20) # 准确率71.9  正确率 55.9%
user_model
# summary函数查看树的详细信息
summary(user_model)


# 简单查看树模型 可查看分支树
plot(user_model,subtree = 3,main="NO.3")


#利用训练的模型对测试数据集进行预测，调用gmodel软件包评价模型预测准确性：
user_pred <- predict(user_model, user_test)
library(gmodels)
CrossTable(user_test$index_1, user_pred, prop.chisq = FALSE, prop.c = FALSE, 
           prop.r = FALSE, dnn = c("实际", "预测"))


##########################minCases #######################


user_model <- C5.0(user_train[-53], user_train$index_1,trials=20,
                   control= C5.0Control(minCases = 400)) # 准确率72.6  正确率 59.3%
user_model
# summary函数查看树的详细信息
summary(user_model)


# 简单查看树模型 可查看分支树
plot(user_model,subtree = 3,main="NO.3")


#利用训练的模型对测试数据集进行预测，调用gmodel软件包评价模型预测准确性：
user_pred <- predict(user_model, user_test)
library(gmodels)
CrossTable(user_test$index_1, user_pred, prop.chisq = FALSE, prop.c = FALSE, 
           prop.r = FALSE, dnn = c("实际", "预测"))


##############几个参数调节#################
# 可调参数 CF 复杂度minCases每个叶节点上的最小样本数，trials：bosting次数
tc <- C5.0Control(subset = F,CF = 0.07,winnow = F,noGlobalPruning=F,minCases =488)
user_model <- C5.0(user_train[-53], user_train$index_1,trials=20,
                   control= tc) # 准确率72.6  正确率 59.3%
user_model
# summary函数查看树的详细信息
summary(user_model)


# 简单查看树模型 可查看分支树
plot(user_model,subtree = 3,main="NO.3")


#利用训练的模型对测试数据集进行预测，调用gmodel软件包评价模型预测准确性：
user_pred <- predict(user_model, user_test)
library(gmodels)
CrossTable(user_test$index_1, user_pred, prop.chisq = FALSE, prop.c = FALSE, 
           prop.r = FALSE, dnn = c("实际", "预测"))


# 安装RWeka包 （出现问题的解决办法）
Sys.setenv(JAVA_HOME='E:\\java') # for 64-bit version
install.packages("rJava")
library(rJava)
install.packages("RWeka",dependencies = TRUE)
library(RWeka)


# OneR
kk <- user_train[,c(53,56:58)]
names(kk) <- c("index_1","a1","b1","c1")
mushroom_1R <- OneR(index_1 ~ ., data = kk)
mushroom_1R
summary(mushroom_1R)


# JRip
mushroom_JRip <- JRip(index_1 ~ ., data = kk)
mushroom_JRip
summary(mushroom_JRip)


# 根据前面的重要度从新选择变量
library(C50)
mushroom_c5rules <- C5.0(type ~ odor + gill_size, data = mushrooms, rules = TRUE)
summary(mushroom_c5rules)


#-----可以增加成本矩阵---------
error_cost <- matrix(c(0, 1, 2, 0), nrow = 2)
error_cost
# 建立模型
credit_cost <- C5.0(credit_train[-17], credit_train$default,
                    costs = error_cost)


# 成本矩阵中，预测正确的赋予0，将1预测为0的情况赋予成本2，将0预测为1的情况赋予成本1。
error_cost <- matrix(c(0, 1, 1.1, 0), nrow = 2)


# 简单画图
plot(user_cost,main="Whole Tree")

plot(user_boost20,subtree = 3,main="NO.3")
plot(user_cost,subtree = 13,main="NO.13")


########## 最优参数查找 ##############

rbind_zpp <- c() 
rbind_null <- c()
i = 250
for (ll in 1:20){
  # i = 
  k = 0.01
  for(l in 1:20){
    tc <- C5.0Control(subset = F,CF = k,winnow = F,noGlobalPruning=F,minCases = i)
    
    user_boost20 <- C5.0(user_train[-53], user_train$index_1, trials = 20,
                         control = tc)
    
    user_boost_pred20 <- predict(user_boost20, user_test)
    zpp <- table(user_test$index_1,user_boost_pred20)
    rbind_null$mincases <- i
    rbind_null$CF <- k
    rbind_null$zhunquelv <- zpp[2,1]/(zpp[1,1]+zpp[2,1])
    rbind_null$zhengquelv <- (zpp[1,1]+zpp[2,2])/(zpp[1,1]+zpp[2,1]+zpp[1,2]+zpp[2,2])
    rbind_null_1 <- as.data.frame(rbind_null)
    
    rbind_zpp <- rbind(rbind_zpp,rbind_null_1)
    k <- k + 0.01
    print(k)
  }
  i <- i + 14
  print(i)
}


write.csv(rbind_zpp,"最优参数.csv") 
# 建立路径
setwd("F:\\8#机器学习\\第二步\\第一版1.0\\")

# 读取数据
set.seed(126)
user <- read.csv("完整版1.0_进模型_30.csv",stringsAsFactors = F)

# 查看数据
View(user[1:10,])
table(user$index_1)
summary(user)
str(user)

# 查看变量类型
sapply(user,class)

# 选择要的变量
user <- user[,c(6:57,59:64)]

# 将预测变量转化为因子
user$index_1 <- as.factor(user$index_1)

# 决策树可以对全数据做模型、也可手动分类做模型、缺失值和极值可以手动处理
# 举例 （此处不用）
user <- user[user$flag==1 | user$flag==2 | user$flag==3,]
user$flag <- NULL

##将数据分为训练集和测试集，比例为7:3
set.seed(123)
ind=sample(2, nrow(user), replace=TRUE, prob=c(0.7, 0.3))
user_train <- user[ind==1,]
user_test <- user[ind==2,]

# 检查训练和测试集中的亏损的比例情况
prop.table(table(user$index_1))
prop.table(table(user_train$index_1))
prop.table(table(user_test$index_1))

##################################训练模型###############################
# 安装包并且载入包
install.packages("C50")
library(C50)

# 构建模型
# model <- C5.0(train, class, trials = 1, costs = NULL)
# train: 一个包含训练数据的数据框
# class: 包含训练数据每一行的分类的一个因子向量
# trials: 为一个可选数值，用于控制自助法循环的次数（默认为1）
# costs: 为一个可选矩阵，用于给出与各种类型错误相对应的成本
# 该函数返回一个C5.0模型对象，该对象可用于预测

# 预测模型
# prediction <- predict(m, test, type = "class")
# m: 由C5.0(train, class, trials = 1, costs = NULL) 训练的一个模型
# test: 一个包含测试数据的数据框，该数据框和用来创建分类器的训练数据有相同的特征
# type: 取值为“”或者“”标示预测是最可能的类别值或者是原始的预测概率
# 该函数返回一个向量，根据参数type的取值，该向量含有预测的类别值或者原始的预测概率
# 实际操作
user_model <- C5.0(user_train[-53], user_train$index_1) # 准确率69.8  正确率 52%
user_model
# summary函数查看树的详细信息
summary(user_model)

# 简单查看树模型 可查看分支树
plot(user_model,subtree = 3,main="NO.3")

#利用训练的模型对测试数据集进行预测，调用gmodel软件包评价模型预测准确性：
user_pred <- predict(user_model, user_test)
library(gmodels)
CrossTable(user_test$index_1, user_pred, prop.chisq = FALSE, prop.c = FALSE, 
           prop.r = FALSE, dnn = c("实际", "预测"))


############################################################################################
######################################模型提升##############################################
############################################################################################
##########################trials 循环#######################

user_model <- C5.0(user_train[-53], user_train$index_1,trials=20) # 准确率71.9  正确率 55.9%
user_model
# summary函数查看树的详细信息
summary(user_model)

# 简单查看树模型 可查看分支树
plot(user_model,subtree = 3,main="NO.3")

#利用训练的模型对测试数据集进行预测，调用gmodel软件包评价模型预测准确性：
user_pred <- predict(user_model, user_test)
library(gmodels)
CrossTable(user_test$index_1, user_pred, prop.chisq = FALSE, prop.c = FALSE, 
           prop.r = FALSE, dnn = c("实际", "预测"))

##########################minCases #######################

user_model <- C5.0(user_train[-53], user_train$index_1,trials=20,
                   control= C5.0Control(minCases = 400)) # 准确率72.6  正确率 59.3%
user_model
# summary函数查看树的详细信息
summary(user_model)

# 简单查看树模型 可查看分支树
plot(user_model,subtree = 3,main="NO.3")

#利用训练的模型对测试数据集进行预测，调用gmodel软件包评价模型预测准确性：
user_pred <- predict(user_model, user_test)
library(gmodels)
CrossTable(user_test$index_1, user_pred, prop.chisq = FALSE, prop.c = FALSE, 
           prop.r = FALSE, dnn = c("实际", "预测"))


##############几个参数调节#################
# 可调参数 CF 复杂度minCases每个叶节点上的最小样本数，trials：bosting次数
tc <- C5.0Control(subset = F,CF = 0.07,winnow = F,noGlobalPruning=F,minCases =488)
user_model <- C5.0(user_train[-53], user_train$index_1,trials=20,
                   control= tc) # 准确率72.6  正确率 59.3%
user_model
# summary函数查看树的详细信息
summary(user_model)

# 简单查看树模型 可查看分支树
plot(user_model,subtree = 3,main="NO.3")

#利用训练的模型对测试数据集进行预测，调用gmodel软件包评价模型预测准确性：
user_pred <- predict(user_model, user_test)
library(gmodels)
CrossTable(user_test$index_1, user_pred, prop.chisq = FALSE, prop.c = FALSE, 
           prop.r = FALSE, dnn = c("实际", "预测"))

# 安装RWeka包 （出现问题的解决办法）
Sys.setenv(JAVA_HOME='E:\\java') # for 64-bit version
install.packages("rJava")
library(rJava)
install.packages("RWeka",dependencies = TRUE)
library(RWeka)

# OneR
kk <- user_train[,c(53,56:58)]
names(kk) <- c("index_1","a1","b1","c1")
mushroom_1R <- OneR(index_1 ~ ., data = kk)
mushroom_1R
summary(mushroom_1R)

# JRip
mushroom_JRip <- JRip(index_1 ~ ., data = kk)
mushroom_JRip
summary(mushroom_JRip)

# 根据前面的重要度从新选择变量
library(C50)
mushroom_c5rules <- C5.0(type ~ odor + gill_size, data = mushrooms, rules = TRUE)
summary(mushroom_c5rules)



#-----可以增加成本矩阵---------
error_cost <- matrix(c(0, 1, 2, 0), nrow = 2)
error_cost
# 建立模型
credit_cost <- C5.0(credit_train[-17], credit_train$default,
                    costs = error_cost)


# 成本矩阵中，预测正确的赋予0，将1预测为0的情况赋予成本2，将0预测为1的情况赋予成本1。
error_cost <- matrix(c(0, 1, 1.1, 0), nrow = 2)

# 简单画图
plot(user_cost,main="Whole Tree")

plot(user_boost20,subtree = 3,main="NO.3")
plot(user_cost,subtree = 13,main="NO.13")

########## 最优参数查找 ##############

rbind_zpp <- c() 
rbind_null <- c()
i = 250
for (ll in 1:20){
  # i = 
  k = 0.01
  for(l in 1:20){
    tc <- C5.0Control(subset = F,CF = k,winnow = F,noGlobalPruning=F,minCases = i)
    
    user_boost20 <- C5.0(user_train[-53], user_train$index_1, trials = 20,
                         control = tc)
    
    user_boost_pred20 <- predict(user_boost20, user_test)
    zpp <- table(user_test$index_1,user_boost_pred20)
    rbind_null$mincases <- i
    rbind_null$CF <- k
    rbind_null$zhunquelv <- zpp[2,1]/(zpp[1,1]+zpp[2,1])
    rbind_null$zhengquelv <- (zpp[1,1]+zpp[2,2])/(zpp[1,1]+zpp[2,1]+zpp[1,2]+zpp[2,2])
    rbind_null_1 <- as.data.frame(rbind_null)
    
    rbind_zpp <- rbind(rbind_zpp,rbind_null_1)
    k <- k + 0.01
    print(k)
  }
  i <- i + 14
  print(i)
}

write.csv(rbind_zpp,"最优参数.csv")




永久_小玖
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【R语言实战】Ch7基本统计方法
努力学习中ing
01-08 474
Ch7基本统计方法：描述性统计分析、频数表和列联表、相关系数和协方差、t检验、非参数统计
数据科学与大数据分析项目练习-5在数据集上应用决策树算法
Jifu_M的博客
12-31 1050
在数据集上应用决策树算法项目要求：Project Start 项目要求： 在数据集“DTdata.csv”上应用决策树算法 –使用summary（）函数生成已构建模型的摘要，并解释摘要。 –根据构建的模型绘制树并解释树。 –预测以下观察结果 • Outlook = “rainy”; Temperature = “hot” • Humidity = “high”; Wind = “TRUE” Project Start # 首先还是先设置默认路径 setwd("c:/Users/T7/Desktop/123"
决策树分类
weixin_30268921的博客
10-30 170
本文旨在演示rpart包的决策树分类用法，以及利用rpart.plot对结果进行可视化。决策树（分类树）是一种十分常用的分类方法，是一种监管学习；所谓监管学习就是给定一堆样本，每个样本都有一组属性和一个类别，这些类别是事先确定的，那么通过学习得到一个分类器，这个分类器能够对新出现的对象给出正确的分类。这样的机器学习就被称之为监督学习。 测试数据选用MushroomDataSet(蘑菇数据集)，...
R语言决策树（ID3、CART、C4.5、C5.0）算法使用举例
Zheng.C.F的博客
09-17 8422
1、环境及数据准备 #环境变量 rm(list = ls());#清空变量空间 #载入所需R Rackages library(rattle) library(rpart) library(rpart.plot) library(RWeka) library(party) library(partykit) library(C50) library(export) #-----------...
R之生成频数表
王文强的博客
12-26 1万+
# ，我们将着眼于类别型变量的频数表和列联表，以及相应的独立性检验、相关性的 # 度量、图形化展示结果的方法。我们除了使用基础安装中的函数，还将连带使用vcd包和gmodels # # 包中的函数。 # 本节中的数据来自vcd包中的Arthritis数据集。这份数据来自Kock & Edward （1988），表 # 示了一项风湿性关节炎新疗法的双盲临床实验的结果。 library(vcd) li
实验三 决策树算法实验实验报告.pdf
07-01
决策树是一种广泛应用于数据挖掘和机器学习的算法，它通过一系列规则和判断来对数据进行分类。本实验报告主要关注的是决策树算法的实践应用，旨在帮助学生理解其分类原理和实现过程。 实验原理基于决策树学习和分类...
基于决策树的鸢尾花分类
04-21
【基于决策树的鸢尾花分类】 决策树是一种广泛应用的机器学习算法，尤其适用于分类问题。在本案例中，鸢尾花的分类是基于决策树模型进行的。鸢尾花有三个不同种类：Iris Setosa (Se)，Iris Versicolour (Ve)，和 ...
决策树_决策树_
09-30
在本文中，我们将深入探讨决策树的核心概念、算法以及如何使用Python实现它们，特别是C4.5、CART和ID3这三种常见的决策树算法。 1. **决策树的基本原理**： 决策树通过构建一棵树形结构来表示输入特征和输出类别...
决策树实验内容2
08-08
这三种标准都是决策树节点分裂时常用的准则，用于衡量划分数据集的效果。我们将使用LendingClub Safe Loans数据集进行训练，并比较不同标准下的模型性能。 **1.4 实现预剪枝** 预剪枝是控制决策树过拟合的一种策略...
决策树 Decision Tree1
08-03
**决策树三要素**： 1. **特征选择**：选择最优特征是决策树构建的关键步骤。常见的选择方法有信息增益、信息增益比、基尼不纯度等，它们衡量了特征对数据集纯度的改善程度。 2. **决策树生成**：依据特征选择的结果...
OpenCV 决策树 之 理论准备
MaybePossible
01-21 1589
OpenCV中的CvDTree类实现了单一的决策树，可以作为基类用在Boosting 和 Random Trees中。
r语言做决策树模型（少废话版本）
li603060971的博客
02-25 3万+
#第1步：工作目录和数据集的准备 setwd("C:/Users/IBM/Desktop/170222分类树建模/2.23建模")#设定当前的工作目录，重要！ audit2 str(audit2) #转成字符串类型的 #第2步：做训练集和测试集 set.seed(1) sub length(sub) #24443 data_train data_test dim(dat
R语言统计分析篇
热门推荐
小凤的博客
06-03 4万+
1.描述性统计分析
决策树R实现-CHAID,ID3,C5.0,CART算法
weixin_42163153的博客
11-16 3048
决策树R实现-CHAID,ID3,C5.0,CART算法 弄懂决策树的原理后，就需要实践了。我将使用不同类型的数据进行说明。 CHAID建模 使用的是MASS包的Pima数据（印第安人糖尿病二进制分类数据集），Pima.tr是测试数据集，Pima.te是测试数据集，通过构建CHAID决策树来判断是否患有糖尿病。 在决策树原理篇有提到过，CHAID的输入变量是分类型，而Pima数据集的数据是连续型，...
c5.0决策树算法_决策树与随机森林（4）—— 决策树C5.0算法
weixin_39944595的博客
11-23 3084
Question 1:C5.0是如何对C4.5进行改进的?C5.0算法通过加入自适应增强(Adaboost)算法对C4.5进行改进。这是许多决策树构建的一个过程，然后这些决策树通过投票表决的方法为每个案例选择最优的分类。Question 2: 什么叫做 Adaboost ？简单来说，对于一个数据集，我们通过某种算法建立了第一个分类器，若第一个分类器对样本 x1, x2 的分类效果好，对...
NLP之ERNIE：ERNIE的简介、安装和使用方法、案例应用之详细攻略
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
05-24 7996
​ NLP之ERNIE：ERNIE的简介、安装和使用方法、案例应用之详细攻略 目录 相关论文 ERNIE的简介 2、预训练模型介绍 3、数据集下载 4、模型效果评估 ERNIE的安装和使用方法 ERNIE的案例应用 相关论文 《ERNIE: Enhanced Representation through Knowledge Integration》翻译与解读 地址 论文地址：https://arxiv.org/abs/
【R的机器学习】决策树性能提升
Yunru_Yang的博客
06-29 3610
上一章用iris数据集进行了决策树分析，理论上来说，Kappa值是0.8991，已经非常高了，我们下面研究下方法，看看有没有什么优化空间。首先看C5.0的函数参数C5.0(x, y, trials = 1, rules= FALSE, weights = NULL, control = C5.0Control(), costs = NULL, ...)C5.0（y
ML之xgboost：利用xgboost算法(结合sklearn)训练mushroom蘑菇数据集(22+1,6513+1611)来预测蘑菇是否毒性(二分类预测)
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
05-24 7462
ML之xgboost：利用xgboost算法(结合sklearn)训练mushroom蘑菇数据集(22+1,6513+1611)来预测蘑菇是否毒性(二分类预测) 目录 输出结果 设计思路 核心代码 输出结果 设计思路 核心代码 bst =XGBClassifier(max_de...
12球问题/12硬币问题通解，以及引申的决策树/最优三叉树算法
iTuring_Zhou的专栏
08-28 2352
问题：“有十二个外表相同的球，其中有一个坏球，它的重量和其它十一个有轻微的（但是可以测量出来的）差别。现在有一架没有砝码的很灵敏的天平，问如何称三次就保证找出那个坏球，并知道它比标准球重还是轻。” 硬币问题与此类似，换汤不换药，本质一样。 先从最一般的认知思维来解决这个问题，下面的思路只能找到问题球而不能完全确定是比标准球轻还是重，因为博客不好编辑，我另外写好截了个图：
数据挖掘实验三 决策树分类算法（2学时)
最新发布
04-03
数据挖掘实验三是关于决策树分类算法的实验，该实验主要涉及以下内容： 1. 决策树分类算法的基本原理：决策树是一种基于树结构的分类模型，通过对数据集进行划分，构建一棵树来进行分类预测。决策树的构建过程包括选择最优划分属性、划分数据集、递归构建子树等步骤。 2. 决策树的构建算法：实验中通常会介绍ID3、C4.5或CART等决策树构建算法。这些算法根据不同的划分准则和停止条件来选择最优划分属性，并生成决策树模型。 3. 决策树的特点和优缺点：决策树具有可解释性强、易于理解和实现等优点，但也存在过拟合、对连续属性处理不佳等缺点。 4. 决策树的应用场景：决策树广泛应用于分类和回归问题，如医学诊断、金融风险评估、客户流失预测等领域。 在实验中，你可能需要完成以下任务： 1. 数据集准备：选择适合的数据集，并进行数据预处理，包括数据清洗、特征选择和特征变换等。 2. 决策树模型构建：根据实验要求选择合适的决策树算法，使用训练数据集构建决策树模型。 3. 模型评估：使用测试数据集对构建的决策树模型进行评估，计算分类准确率、召回率、精确率等指标。 4. 结果分析：对实验结果进行分析和解释，讨论决策树模型的性能和可解释性。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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