用dw做的十二星座网站免费,服装网站建设公司,俄语网站推广,免费推广平台排行决策树#xff08;Decision Tree#xff09;是一种强大且灵活的机器学习算法#xff0c;可用于分类和回归问题。它通过从数据中学习一系列规则来建立模型#xff0c;这些规则对输入数据进行递归的分割#xff0c;直到达到某个终止条件。 决策树的构建过程#xff1a;
1.…决策树Decision Tree是一种强大且灵活的机器学习算法可用于分类和回归问题。它通过从数据中学习一系列规则来建立模型这些规则对输入数据进行递归的分割直到达到某个终止条件。 决策树的构建过程
1. 选择特征从所有特征中选择一个最佳的分裂标准以将数据集分成两个子集。
2. 分裂数据使用选定的特征和分裂标准将数据集分成两个子集。这个过程会递归地应用于每个子集形成树的分支。
3. 终止条件在每个节点处都会检查是否满足某个终止条件例如节点中的样本数量小于阈值或者树的深度达到预定的最大深度。
4. 重复重复上述步骤不断分裂和构建树直到达到终止条件。 决策树的特点
1. 可解释性决策树的规则易于理解可视化呈现直观的分裂过程使决策过程变得透明。
2. 适应性能够适应不同类型的数据包括离散型和连续型特征。
3. 非参数性不对数据的分布做出具体假设因此对于不同类型的数据集都具有灵活性。
4. 特征重要性决策树可以提供每个特征的重要性帮助识别影响预测的关键因素。
5. 处理缺失值能够处理缺失值不需要对数据进行特殊的处理。 应用领域
分类问题例如判断邮件是否为垃圾邮件、病患是否患有某种疾病等。回归问题预测房价、销售额等连续性输出的问题。特征选择通过查看特征的重要性可以辅助进行特征选择。异常检测可用于检测数据中的异常值。 决策树的一个主要缺点是容易过拟合特别是当树的深度很大时。为了缓解过拟合可以通过剪枝等技术来调整树的复杂度。 需求
判断用户是否会购买SUV 代码
# Decision Tree Classification### Importing the libraries
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd### Importing the dataset
dataset pd.read_csv(Social_Network_Ads.csv)
X dataset.iloc[:, [2, 3]].values
y dataset.iloc[:, 4].values### Splitting the dataset into the Training set and Test set
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test train_test_split(X, y, test_size 0.25, random_state 0)### Feature Scaling
from sklearn.preprocessing import StandardScaler
sc StandardScaler()
X_train sc.fit_transform(X_train)
X_test sc.transform(X_test)### Fitting Decision Tree Classification to the Training set
from sklearn.tree import DecisionTreeClassifier
classifier DecisionTreeClassifier(criterion entropy, random_state 0)
classifier.fit(X_train, y_train)### Predicting the Test set results
y_pred classifier.predict(X_test)### Making the Confusion Matrix
from sklearn.metrics import confusion_matrix
cm confusion_matrix(y_test, y_pred)# Visualising the Training set results
from matplotlib.colors import ListedColormap
X_set, y_set X_train, y_train
X1, X2 np.meshgrid(np.arange(start X_set[:, 0].min() - 1, stop X_set[:, 0].max() 1, step 0.01),np.arange(start X_set[:, 1].min() - 1, stop X_set[:, 1].max() 1, step 0.01))
plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),alpha 0.75, cmap ListedColormap((red, green)))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())
for i, j in enumerate(np.unique(y_set)):plt.scatter(X_set[y_set j, 0], X_set[y_set j, 1],c ListedColormap((red, green))(i), label j)
plt.title(Decision Tree Classification (Training set))
plt.xlabel(Age)
plt.ylabel(Estimated Salary)
plt.legend()
plt.show()# Visualising the Test set results
from matplotlib.colors import ListedColormap
X_set, y_set X_test, y_test
X1, X2 np.meshgrid(np.arange(start X_set[:, 0].min() - 1, stop X_set[:, 0].max() 1, step 0.01),np.arange(start X_set[:, 1].min() - 1, stop X_set[:, 1].max() 1, step 0.01))
plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),alpha 0.75, cmap ListedColormap((red, green)))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())
for i, j in enumerate(np.unique(y_set)):plt.scatter(X_set[y_set j, 0], X_set[y_set j, 1],c ListedColormap((red, green))(i), label j)
plt.title(Decision Tree Classification (Test set))
plt.xlabel(Age)
plt.ylabel(Estimated Salary)
plt.legend()
plt.show()
结果 结论
预测准确度还是比较高的。
