文章编号：2682 / 分类：技术教程 / 更新时间：2024-05-17 14:44:17 / 浏览：次

恭喜您成为首批注册用户

决策树基本上是一个二叉树流程图，其中每个节点根据某个特征变量分割一组观察值。

在这里，我们正在构建一个用于预测男性或女性的决策树分类器。这里将采取一个非常小的数据集，有19个样本。这些样本将包含两个特征-“身高”和“头发长度”。

为了构建以下分类器，我们需要安装pydotplus 和graphviz。基本上，graphviz是使用点文件绘制图形的工具，pydotplus是Graphviz的Dot语言模块。它可以与包管理器或使用pip来安装。

现在，可以在以下Python代码的帮助下构建决策树分类器-

首先，导入一些重要的库如下-

importpydotplusfromsklearnimporttreefromsklearn.datasetsimportload_irisfromsklearn.metricsimportclassification_reportfromsklearnimportcross_validationimportcollections

现在，提供如下数据集-

X=[[165,19],[175,32],[136,35],[174,65],[141,28],[176,15],[131,32],[166,6],[128,32],[179,10],[136,34],[186,2],[126,25],[176,28],[112,38],[169,9],[171,36],[116,25],[196,25]]Y=['Man','Woman','Woman','Man','Woman','Man','Woman','Man','Woman','Man','Woman','Man','Woman','Woman','Woman','Man','Woman','Woman','Man']data_feature_names=['height','lengthofhair']X_train,X_test,Y_train,Y_test=cross_validation.train_test_split(X,Y,test_size=0.40,random_state=5)

在提供数据集之后，需要拟合可以如下完成的模型-

clf=tree.DecisionTreeClassifier()clf=clf.fit(X,Y)

预测可以使用以下Python代码来完成-

prediction=clf.predict([[133,37]])print(prediction)

使用以下Python代码来实现可视化决策树-

dot_data=tree.export_graphviz(clf,feature_names=data_feature_names,out_file=None,filled=True,rounded=True)graph=pydotplus.graph_from_dot_data(dot_data)colors=('orange','yellow')edges=collections.defaultdict(list)foredgeingraph.get_edge_list():edges[edge.get_source()].append(int(edge.get_destination()))foredgeinedges:edges[edge].sort()foriinrange(2):dest=graph.get_node(str(edges[edge][i]))[0]dest.set_fillcolor(colors[i])graph.write_png('Decisiontree16.png')

它会将上述代码的预测作为[‘Woman’]并创建以下决策树-

可以改变预测中的特征值来测试它。

违法和不良信息举报电话：173-0602-2364|

相关标签： AI人工智能决策树分类器、

本文地址：https://www.badfl.com/article/f4b5875a3ed06893b6ec.html

上一篇：AI人工智能随机森林分类器...
下一篇：AI人工智能在Python中构建分类器...