用Sklearn画一颗决策树

小伙伴们大家好~o( ̄▽ ̄)ブ,首先声明一下,我的开发环境是Jupyter lab,所用的库和版本大家参考:

  Python 3.7.1(你的版本至少要3.4以上

  Scikit-learn 0.20.0 (你的版本至少要0.20

  Graphviz 0.8.4 (没有画不出决策树哦,安装代码conda install python-graphviz

  Numpy 1.15.3, Pandas 0.23.4, Matplotlib 3.0.1, SciPy 1.1.0

 

用SKlearn 建立一棵决策树

  这里采用的数据集是SKlearn中的红酒数据集。

1 导入需要的算法库和模块
from sklearn import tree                                 #导入tree模块
from sklearn.datasets import load_wine                   #导入红酒数据集
from sklearn.model_selection import train_test_split     #导入训练集和测试集切分包

 

2 探索数据
wine = load_wine()  
wine.data
wine.data.shape
wine.target
wine.target.shape

 

  运行的结果是这样子的:

  data就是该数据集的特征矩阵,从运行结果可以看出,该红酒数据集一共有178条记录,13个特征。

  特征矩阵中有178条记录,相对应的标签Y就有178个数据。

  如果wine是一张表,应该长这样:

import pandas as pd
pd.concat([pd.DataFrame(wine.data),pd.DataFrame(wine.target)],axis=1)

 

  这是数据集特征列名和标签分类

wine.feature_names
wine.target_names

 

 

3 分训练集和测试集

  这里选取30%作为测试集。切分好之后,训练集有124条数据,测试集有54条数据。

Xtrain, Xtest, Ytrain, Ytest = train_test_split(wine.data,wine.target,test_size=0.3)
Xtrain.shape
Xtest.shape

 

 

4 建立模型
clf = tree.DecisionTreeClassifier(criterion="entropy") #初始化树模型
clf = clf.fit(Xtrain, Ytrain)                          #实例化训练集
score = clf.score(Xtest, Ytest)                        #返回预测的准确度
​
score

 

 

5 画出一棵树吧
复制代码
feature_name = ['酒精','苹果酸','','灰的碱性','','总酚','类黄酮','非黄烷类酚类','花青素','颜色强度','色调','od280/od315稀释葡萄酒','脯氨酸']
​
import graphviz
dot_data = tree.export_graphviz(clf
                                ,out_file=None
                                ,feature_names= feature_name
                                ,class_names=["琴酒","雪莉","贝尔摩德"]
                                ,filled=True
                                ,rounded=True
                               )
graph = graphviz.Source(dot_data)
graph
复制代码

 

 

6 探索决策树
#特征重要性
clf.feature_importances_
​
[*zip(feature_name,clf.feature_importances_)]

 

  到现在为止,我们已经学会建立一棵完整的决策树了。有兴趣的话,动手建立一棵属于自己的决策树吧~

posted @   九天Hector  阅读(3213)  评论(1编辑  收藏  举报
编辑推荐:
· AI与.NET技术实操系列:基于图像分类模型对图像进行分类
· go语言实现终端里的倒计时
· 如何编写易于单元测试的代码
· 10年+ .NET Coder 心语,封装的思维:从隐藏、稳定开始理解其本质意义
· .NET Core 中如何实现缓存的预热?
阅读排行:
· 分享一个免费、快速、无限量使用的满血 DeepSeek R1 模型,支持深度思考和联网搜索!
· 基于 Docker 搭建 FRP 内网穿透开源项目(很简单哒)
· 25岁的心里话
· ollama系列01:轻松3步本地部署deepseek,普通电脑可用
· 按钮权限的设计及实现
点击右上角即可分享
微信分享提示