标签：pydotplus clf tree 实验 数据挖掘 pdf data 决策树
实验三、数据挖掘之决策树
一、实验目的
1. 熟悉掌握决策树的原理，
2. 熟练掌握决策树的生成方法与过程
二、实验工具
1. Anaconda
2. sklearn
3. pydotplus
三、实验简介
决策树是一个非参数的监督式学习方法，主要用于分类和回归。算法的目标是通过推断数据特征，学习决策规则从而创建一个预测目标变量的模型。
四、实验内容
1. 自己创建至少2个向量，每个向量至少1个属性和1个类标号，根据向量生成决策树，并利用该决策树进行预测。如：
from sklearn import tree
X = [[10, 20], [15, 17],[23,21],[50,20],[20,34]]
Y = [0, 1,0,1,1]
clf = tree.DecisionTreeClassifier()
clf = clf.fit(X, Y)
clf.predict([[22., 22.]])
clf.predict_proba([[22., 22.]]) #计算属于每个类的概率
要求根据要求随机生成数据，并构建决策树，并举例预测。
2. 对鸢尾花数据构建决策树，
(1) 调用数据的方法如下：
from sklearn.datasets import load_iris
iris = load_iris()# 从sklearn 数据集中获取鸢尾花数据。
(2) 利用sklearn中的决策树方法对鸢尾花数据建立决策树
(3) 为了能够直观看到建好的决策树，安装 pydotplus, 方法如下：
pip install pydotplus
pydotplus使用方法
import pydotplus #引入pydotplus
dot_data = tree.export_graphviz(clf, out_file=None)
graph = pydotplus.graph_from_dot_data(dot_data)
graph.write_pdf("iris.pdf")#将图写成pdf文件
五、实验总结（写出本次实验的收获，遇到的问题等）
1、自己创建两个变量，建立决策树，并进行预测
from sklearn import tree
X = [[20, 21], [22, 23]]
Y = [0, 1]
clf = tree.DecisionTreeClassifier()
clf = clf.fit(X, Y)
print(clf.predict([[22., 22.]]))
print(clf.predict_proba([[22., 22.]])) #计算属于每个类的概率
2、对鸢尾花数据构建决策树，并通过pydotplus，将决策树生成为pdf文件。
from sklearn.datasets import load_iris
import pydotplus #引入pydotplus
from sklearn import tree
iris = load_iris()# 获取鸢尾花数据。
mode = tree.DecisionTreeClassifier()
clf = mode.fit(iris.data, iris.target)
dot_data = tree.export_graphviz(clf, out_file=None)
graph = pydotplus.graph_from_dot_data(dot_data)
graph.write_pdf("iris.pdf")#将图写成pdf文件
3、根据给的数据集自己编写决策树构建程序
# X 每个数组包括
#Refund yes = 1 no=0,
#Marital Status single = 0 married = 1 divorce = 2，
#Taxable Income <80k = 0 >=80 = 1、
#Cheat yes = 1 no = 0
X = [
[1, 0, 1],
[0, 1, 1],
[0, 0, 0],
[1, 1, 1],
[0, 2, 1],
[0, 1, 0],
[1, 2, 1],
[0, 0, 1],
[0, 1, 0],
[0, 0, 1]
]
Y = [0, 0, 0, 0, 1, 0, 0, 1, 0, 1]
mode = tree.DecisionTreeClassifier()
clf = mode.fit(X, Y)
dot_data = tree.export_graphviz(clf, out_file=None)
graph = pydotplus.graph_from_dot_data(dot_data)
graph.write_pdf("fyy.pdf")#将图写成pdf文件
五、实验总结
-
学会了使用
tree.DecisionTreeClassifier()方法
tree.DecisionTreeClassifier().fit（）方法
tree.export_graphviz()方法，
pydotplus.graph_from_dot_data()方法等等。 -
成功使用鸢尾花数据生成决策树。
-
成功利用pydotplus生成pdf文件。
-
自己写构建决策树的算法还有一点问题，主要是逻辑比较复杂，有点弄不明白。
-
对决策树的算法有了更深的了解。
标签：pydotplus,clf,tree,实验,数据挖掘,pdf,data,决策树 来源： https://blog.csdn.net/weixin_44783387/article/details/115682020
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。