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。
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-databa
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
- 上一篇:用python实现sm2国密算法
- 下一篇:运用LSTM对CPI数据进行预测.py
相关资源
-
决策树ID3算法实验_数据集car_databa
- GBDT单机版Python实现源代码
- python决策树代码
- 决策树剪枝算法的python实现方法详解
- 基于决策树的天气大数据回归例程
- 决策树回归算法
- 使用Python实现决策树
- 决策树分类算法
- 决策树预测获胜NBA球队
- python实现决策树分类算法
- ID3决策树python代码
- 集成k-最近邻(k-NN)、朴素贝叶斯、
- python 决策树代码
- python 决策树算法的实现
- C4.5决策树算法的Python代码和数据样本
- 决策树DecisionTree项目python代码实现
- 机器学习决策树2个经典案例
- ID3决策树的Python代码
- ID3算法,详解+Python代码实现
- 《机器学习实战》中决策树python2.7代
- 波士顿房价决策树python编码
- 对泰坦尼克号数据集的简单分析决策
评论
共有 条评论