Python实现初阶决策树

《Python数据挖掘入门与实践》这本书中关于决策树部分的讲解,代码部分相对简要,但坑爹的是,他给的数据下载网站,人家改版了,根本找不到数据,进行测试,于是我又用“鸢尾花”数据测试了一下决策树算法。

闲话少说,直接上代码。

1、导入鸢尾花数据

鸢尾花数据,可以直接从sklearn库中进行载入,分别将自变量和因变量,赋值为x和y。

from sklearn.datasets import load_iris
import numpy as np
import pandas as pd 
X_data = load_iris().data
y_data = load_iris().target

2、设置训练集和测试集

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X_data, y_data)

3、建立决策树对象

from sklearn.tree import DecisionTreeClassifier
dtc = DecisionTreeClassifier(max_leaf_nodes=4,random_state = 14)

max_leaf_nodes=4,指保留最大节点的数量为4,可以理解为树的深度为4。
random_state = 14,设置随机种子为14,使用相同的随机种子能包粽子几次的实验结果相同。但是,在自己的实验中,为保证随机性,可以设置不同的随机种子。

4、训练并预测

dtc.fit(X_train,y_train) #用训练集进行训练
y_predict = dtc.predict(X_test) # 利用测试数据生成预测值y_predict
# 判断与训练集y是否相等并返回正确率
accuracy  = np.mean(y_predict == y_test)*100
print('准确率为%.2f%%' % accuracy)

得出的结果:准确率为97.37%

5、得到决策树图

导入export_graphviz,生成dot文件

from sklearn.tree import export_graphviz
export_graphviz(clf,out_file = 'tree0.dot')

生成dot文件后,用GVEdit命令转化成png格式或者其他格式。
首先安装graphviz-2.38,然后设置环境变量(本人是windows环境下运行的),然后敲下如下命令即可转化成png格式的树图。

dot -Tpng tree0.dot -o tree0.png

生成的树图如下所示:


树图.png

由上图可知,此次创建决策用的是信息增益熵,主要用到两个特征,即X[2]和X[3]。
根节点处X[2]小于等于2.45的为一类,且均为第一类鸢尾花
X[2]大于2.45,且X[3]大于1.75的为一类,且大部分为第三类鸢尾花,只有一个样本为第二类鸢尾花。
X[3]小于等于1.75,且X[2]小于等于4.95的为一类,且大部分为第二类鸢尾花,只有一个样本为第三类鸢尾花。
X[3]小于等于1.75,且X[2]大于4.95的为一类,有2个为第二类,有4个为第三类鸢尾花。

最后编辑于
©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 151,688评论 1 330
  • 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 64,559评论 1 273
  • 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 101,749评论 0 226
  • 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 42,581评论 0 191
  • 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 50,741评论 3 271
  • 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 39,684评论 1 192
  • 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 31,122评论 2 292
  • 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 29,847评论 0 182
  • 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 33,441评论 0 228
  • 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 29,939评论 2 232
  • 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 31,333评论 1 242
  • 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 27,783评论 2 236
  • 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 32,275评论 3 220
  • 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 25,830评论 0 8
  • 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 26,444评论 0 180
  • 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 34,553评论 2 249
  • 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 34,618评论 2 249

推荐阅读更多精彩内容