python数据分析（十六）

# -*- coding: utf-8 -*-

import numpy as np

from sklearn.neighbors import KNeighborsClassifier

from sklearn.metrics import precision_recall_curve

from sklearn.metrics import classification_report

from sklearn.naive_bayes import BernoulliNB

from sklearn.feature_extraction.text import TfidfVectorizer

from sklearn.cross_validation import train_test_split

import matplotlib.pyplot as plt

import pandas as pd

####knn最邻近算法####

inputfile = 'd:/data/sales_data.xls'

data = pd.read_excel(inputfile, index_col = u'序号') #导入数据

#数据是类别标签，要将它转换为数据

#用1来表示“好”、“是”、“高”这三个属性，用-1来表示“坏”、“否”、“低”

data[data == u'好'] = 1

data[data == u'是'] = 1

data[data == u'高'] = 1

data[data != 1] = -1

x = data.iloc[:,:3].as_matrix().astype(int)

y = data.iloc[:,3].as_matrix().astype(int)

#拆分训练数据与测试数据

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.2)

#训练KNN分类器

clf = KNeighborsClassifier(algorithm='kd_tree')

clf.fit(x_train, y_train)

#测试结果

answer = clf.predict(x_test)

print(x_test)

print(answer)

print(y_test)

print(np.mean( answer == y_test))

#准确率

precision, recall, thresholds = precision_recall_curve(y_train, clf.predict(x_train))

print(classification_report(y_test, answer, target_names = ['高', '低']))

####贝叶斯分类器####

#训练贝叶斯分类器

clf = BernoulliNB()

clf.fit(x_train,y_train)

#测试结果

answer = clf.predict(x_test)

print(x_test)

print(answer)

print(y_test)

print(np.mean( answer == y_test))

print(classification_report(y_test, answer, target_names = ['低', '高']))

####决策树####

from sklearn.tree import DecisionTreeClassifier as DTC

dtc = DTC(criterion='entropy') #建立决策树模型，基于信息熵

dtc.fit(x_train, y_train) #训练模型

#导入相关函数，可视化决策树。

#导出的结果是一个dot文件，需要安装Graphviz才能将它转换为pdf或png等格式。

from sklearn.tree import export_graphviz

from sklearn.externals.six import StringIO

with open("tree.dot", 'w') as f:

f = export_graphviz(dtc, out_file = f)

#测试结果

answer = dtc.predict(x_test)

print(x_test)

print(answer)

print(y_test)

print(np.mean( answer == y_test))

print(classification_report(y_test, answer, target_names = ['低', '高']))

####SVM####

from sklearn.svm import SVC

clf =SVC()

clf.fit(x_train, y_train)

#测试结果

answer = clf.predict(x_test)

print(x_test)

print(answer)

print(y_test)

print(np.mean( answer == y_test))

print(classification_report(y_test, answer, target_names = ['低', '高']))

©著作权归作者所有,转载或内容合作请联系作者
• 序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 143,736评论 1 303
• 序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 61,631评论 1 258
• 文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 95,145评论 0 213
• 文/不坏的土叔 我叫张陵，是天一观的道长。 经常有香客问我，道长，这世上最难降的妖魔是什么？ 我笑而不...
开封第一讲书人阅读 41,213评论 0 181
• 正文 为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 49,025评论 1 259
• 文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 38,893评论 1 178
• 那天，我揣着相机与录音，去河边找鬼。 笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。 我是一名探鬼主播，决...
沈念sama阅读 30,497评论 2 273
• 文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 29,240评论 0 167
• 想象着我的养父在大火中拼命挣扎，窒息，最后皮肤化为焦炭。我心中就已经是抑制不住地欢快，这就叫做以其人之道，还治其人...
爱写小说的胖达阅读 29,114评论 6 235
• 序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 32,596评论 0 213
• 正文 独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
茶点故事阅读 29,363评论 2 215
• 正文 我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 30,717评论 1 232
• 白月光回国，霸总把我这个替身辞退。还一脸阴沉的警告我。[不要出现在思思面前， 不然我有一百种方法让你生不如死。]我...
爱写小说的胖达阅读 24,279评论 0 32
• 序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 27,183评论 2 214
• 正文 年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 31,629评论 3 209
• 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 25,647评论 0 9
• 文/苍兰香墨 我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。 一阵脚步声响...
开封第一讲书人阅读 26,047评论 0 167
• 我被黑心中介骗来泰国打工， 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。 一个月前我还...
沈念sama阅读 33,625评论 2 232
• 正文 我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 33,734评论 2 236