python資料分析實戰 決策樹演算法的分類與回歸

cart演算法實現鸞尾花分類**和波士頓房價回歸**

1、這兩個演算法差別不是特別大，乙個是用資訊增益來判斷，乙個是用資訊增益率來判斷，在sklearn庫中指定 criterion=「entropy」 即可，只是準確度不一樣。

2、這兩個演算法只能做分類，不能做回歸。

# coding=utf-8

from sklearn.datasets import load_boston,load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import decisiontreeclassifier
from sklearn.metrics import accuracy_score

#準備資料

feature = load_iris()[
'data'
]label = load_iris(
).target
train_feature,test_feature,train_label,test_label = train_test_split(feature,label,test_size=
0.3,random_state=
0)

#建立樹結構 -- 資訊熵

tree = decisiontreeclassifier(criterion=
"entropy"
)#擬合資料模型
tree_model = tree.fit(train_feature,train_label)
# print(tree_model)
#開始**
predict_label = tree_model.predict(test_feature)
#準確度
corret_rate=accuracy_score(test_label,predict_label)
print
('準確度為：'
,round
(corret_rate,6)
)

準確度為： 0.977778

1、cart演算法是在id3和c4.5的基礎上改經公升級的，全英文名叫做classfication and regression tree,中文名叫分類回歸樹。

2、 id3和c4.5演算法可以生成二叉樹或者多叉樹，而cart演算法只能生成二叉樹，既可以分類，又可以回歸。

3、cart演算法利用的統計指標是基尼係數，id3是採用資訊增益做判斷，而c4.5採用的是資訊增益率。

from sklearn.model_selection import train_test_split

from sklearn.metrics import accuracy_score,r2_score,mean_absolute_error,mean_squared_error
from sklearn.tree import decisiontreeclassifier,decisiontreeregressor
from sklearn.datasets import load_iris,load_boston

#準備資料    用cart分類樹**鸞尾花的資料

iris_data = load_iris(
)#鸞尾花，一共有150個資料
# print(iris_data)
feature = iris_data[
"data"
]lable = iris_data[
"target"
]#隨機抽取33%的資料作為測試集，其餘的為訓練集
train_feature,test_feature,train_lable,test_lable = train_test_split(feature,lable,test_size=
0.33
,random_state=
0)

#建立cart分類樹  輸出**結果

clf = decisiontreeclassifier(criterion=
"gini"
)#基尼係數
# print(clf)
#構造cart分類樹模型
clf = clf.fit(train_feature,train_lable)
#用cart分類樹作出**
test_predict = clf.predict(test_feature)
#**結果與測試集本身的結果做對比
# print(test_predict) #**結果
# print(test_lable) #測試集本身的結果
score = accuracy_score(test_lable,test_predict)
print
("cart分類樹**準確度為：%.4lf"
% score)

#準備資料

boston = load_boston(
)#探索資料
feature2 = boston[
"data"
]price = boston[
"target"
]#隨機抽取33%的資料作為測試集，其餘為訓練集
train_feature2,test_feature2,train_price,test_price = train_test_split(feature2,price,test_size=
0.33
)

#建立cart回歸樹

tree = decisiontreeregressor(
)#擬合訓練集模型
tree = tree.fit(train_feature2,train_price)
#對測試集進**價**
predict_price = tree.predict(test_feature2)
#測試集的結果評價
print
("回歸樹的最小二乘偏差均值："
,mean_squared_error(test_price,predict_price)
)print
("回歸樹的最小絕對值偏差均值："
,mean_absolute_error(test_price,predict_price)
)

cart分類樹**準確度為：0.9600

回歸樹的最小二乘偏差均值： 17.521317365269464

回歸樹的最小絕對值偏差均值： 2.899401197604791

python實戰 資料分析 決策樹

主要包括兩部分資料 訓練集train.csv 和測試集 test.csv 運用sklearn中運用decisiontreeclassifier 分類器來進行 到目前為止，sklearn 中只實現了 id3 與 cart決策樹，在構造 decisiontreeclassifier 類時，其中有乙個引數...

資料分析 決策樹

引言高二 1 班的小明同學和小方同學為了準備即將進行的校園羽毛球大賽，準備近乙個月的時間去練習打球。不過，並不是每一天都適合練球。通常，小明和小方需要考慮一些因素來決定今天是否適合打羽毛球，比如 今天是否有場地 若沒有室內場地，就只能選擇室外場地 如果是要在室外練習的話，天氣是否合適，是否會颳風等，...

資料分析 決策樹演算法 決策樹的概念

顧名思義，決策樹將以樹狀結構表現出來，被用來輔助作出決策。具體結合例子來說，我們平時做決策時大多會伴隨著層層的選擇，比如找房子的時候，會考慮離工作 上課地點的距離 大小和 光照等等因素。如果乙個房子通勤快 低 光照好 空間大 雖然不太可能存在，但是只要存在這種房子 我們一定會作出 買 租 的決策。將...