决策树（decision tree）

最新推荐文章于 2024-10-15 14:59:56 发布

原创最新推荐文章于 2024-10-15 14:59:56 发布 · 183 阅读

0 ·

CC 4.0 BY-SA版权

大数据同时被 2 个专栏收录

2 篇文章

订阅专栏

机器学习

2 篇文章

订阅专栏

本文通过使用Python的scikit-learn库，详细介绍了如何利用决策树分类器进行数据分类。具体包括数据预处理、特征向量化、标签二值化、模型训练及预测等步骤，为读者提供了从理论到实践的全面指导。

先贴上代码，以后有时间了，再来补内容

1.本次代码采用的是信息增益的方法（entropy）


from sklearn.feature_extraction import DictVectorizer
import csv
from sklearn import preprocessing
from sklearn import tree
from sklearn.externals.six import StringIO

allElectronicsData = open('E:\decision tree\wyt.csv', 'r')
reader = csv.reader(allElectronicsData)  ## 按行读取内容
headers = next(reader) ##头行

featureList = []
labelList = []
for row in reader:
    labelList.append(row[len(row) - 1])
    rowDcit = {}
    for i in range(1, len(row) -1 ):
        rowDcit[headers[i]] = row[i]

    featureList.append(rowDcit)
print(featureList)

## 特征值转化为数据变量
vec = DictVectorizer()
dummyX = vec.fit_transform(featureList). toarray()

print("dummyX" + str(dummyX))
print(vec.get_feature_names())

print("labelList:" + str(labelList))

## 类转化为数据变量
lb = preprocessing.LabelBinarizer()
dummyY = lb.fit_transform(labelList)
print("dummyX" + str(dummyY))

## 调用决策树中的分类器
clf = tree.DecisionTreeClassifier(criterion= 'entropy')
clf.fit(dummyX, dummyY)
print("clf:" + str(clf))

oneRowX = dummyX[0, :]
print("oneRowX:" + str(oneRowX))
newRowX = oneRowX
newRowX[0] = 1
newRowX[2] = 0
print("newRowX:" + str(newRowX))

predictedY = clf.predict([newRowX])
print("predictedY:" + str(predictedY))