• 大小: 3.38MB
    文件类型: .zip
    金币: 2
    下载: 0 次
    发布日期: 2024-01-03
  • 语言: Python
  • 标签: 决策树  

资源简介

包括讲解决策树算法的PPT与用python实现的能够正常运行的代码。

资源截图

代码片段和文件信息

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap
from sklearn import tree datasets
from sklearn.model_selection import train_test_split

wine = datasets.load_wine()
X = wine.data[::2]
y = wine.target
X_train X_test y_train y_test = train_test_split(Xy)

# #max_depth=1
clf = tree.DecisionTreeClassifier(max_depth=1)
clf.fit(X_trainy_train)

clf.score(X_test y_test)


#定义图像中分区的颜色和散点的颜色
cmap_light = ListedColormap([‘#FFAAAA‘ ‘#AAFFAA‘ ‘#AAAAFF‘])
cmap_bold = ListedColormap([‘#FF0000‘ ‘#00FF00‘ ‘#0000FF‘])

#分别用样本的两个特征值创建图像和横轴和纵轴
x_min x_max = X_train[: 0].min() - 1 X_train[: 0].max() + 1
y_min y_max = X_train[: 1].min() - 1 X_train[: 1].max() + 1
xx yy = np.meshgrid(np.arange(x_min x_max .02)
                     np.arange(y_min y_max .02))
Z = clf.predict(np.c_[xx.ravel() yy.ravel()])

#给每个分类中的样本分配不同的颜色
Z = Z.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx yy Z cmap=cmap_light)

#用散点把样本表示出来
plt.scatter(X[: 0] X[: 1] c=y cmap=cmap_bold edgecolor=‘k‘ s=20)
plt.xlim(xx.min() xx.max())
plt.ylim(yy.min() yy.max())
plt.title(“Classifier:(max_depth = 1)“)
plt.show()

# #max_depth=3
clf2 = tree.DecisionTreeClassifier(max_depth=3)
clf2.fit(X_trainy_train)
clf2.score(X_test y_test)


#定义图像中分区的颜色和散点的颜色
cmap_light = ListedColormap([‘#FFAAAA‘ ‘#AAFFAA‘ ‘#AAAAFF‘])
cmap_bold = ListedColormap([‘#FF0000‘ ‘#00FF00‘ ‘#0000FF‘])

#分别用样本的两个特征值创建图像和横轴和纵轴
x_min x_max = X_train[: 0].min() - 1 X_train[: 0].max() + 1
y_min y_max = X_train[: 1].min() - 1 X_train[: 1].max() + 1
xx yy = np.meshgrid(np.arange(x_min x_max .02)
                     np.arange(y_min y_max .02))
Z = clf2.predict(np.c_[xx.ravel() yy.ravel()])

#给每个分类中的样本分配不同的颜色
Z = Z.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx yy Z cmap=cmap_light)

#用散点把样本表示出来
plt.scatter(X[: 0] X[: 1] c=y cmap=cmap_bold edgecolor=‘k‘ s=20)
plt.xlim(xx.min() xx.max())
plt.ylim(yy.min() yy.max())
plt.title(“Classifier:(max_depth = 3)“)

plt.show()

# #max_depth=5
clf3 = tree.DecisionTreeClassifier(max_depth=5)
clf3.fit(X_trainy_train)
clf3.score(X_test y_test)

#定义图像中分区的颜色和散点的颜色
cmap_light = ListedColormap([‘#FFAAAA‘ ‘#AAFFAA‘ ‘#AAAAFF‘])
cmap_bold = ListedColormap([‘#FF0000‘ ‘#00FF00‘ ‘#0000FF‘])

#分别用样本的两个特征值创建图像和横轴和纵轴
x_min x_max = X_train[: 0].min() - 1 X_train[: 0].max() + 1
y_min y_max = X_train[: 1].min() - 1 X_train[: 1].max() + 1
xx yy = np.meshgrid(np.arange(x_min x_max .02)
                     np.arange(y_min y_max .02))
Z = clf3.predict(np.c_[xx.ravel() yy.ravel()])

#给每个分类中的样本分配不同的颜色
Z = Z.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx yy Z cmap=cmap_light)

#用散点把样本表示出来
plt.scatter(X[: 0] X[: 1] c=y cmap=cmap_bold edgecolor=‘k‘ s=20)
plt.xlim(xx.min() xx.max())
plt.ylim(yy.min() yy.max())
plt.title(“Classifier:(max_depth = 5)“)

plt.show()



####################

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2019-06-11 20:59  4 决策树\
     目录           0  2019-06-11 11:39  4 决策树\.ipynb_checkpoints\
     文件      171990  2019-05-10 09:28  4 决策树\.ipynb_checkpoints\4.Tree-checkpoint.ipynb
     文件      171964  2019-05-10 09:27  4 决策树\.ipynb_checkpoints\Ch6-checkpoint.ipynb
     文件      171990  2019-05-10 15:27  4 决策树\4.Tree.ipynb
     文件     2600551  2019-05-10 12:28  4 决策树\4.pptx
     文件          89  2019-05-06 02:20  4 决策树\Index of -ml-machine-learning-databases-adult.url
     文件        6610  2019-05-06 02:23  4 决策树\Tree.py
     目录           0  2019-06-11 11:39  4 决策树\data\
     文件     3974305  2019-05-06 02:23  4 决策树\data\adult.data
     文件        5229  2019-05-06 02:21  4 决策树\data\adult.names
     文件     2003153  2019-05-06 02:21  4 决策树\data\adult.test
     文件        1774  2019-05-10 09:26  4 决策树\wine.dot

评论

共有 条评论