Python绘制决策树的节点

import matplotlib.pyplot as pltdecisionNode = dict(boxstyle="sawtooth", fc="0.8") # 决策节点的属性。boxstyle为文本框的类型,sawtooth是锯齿形,fc是边框线粗细
# 可以写为decisionNode={boxstyle:'sawtooth',fc:'0.8'}
leafNode = dict(boxstyle="round4", fc="0.8") #决策树叶子节点的属性
arrow_args = dict(arrowstyle = "<-") #箭头的属性def plotNode(nodeTxt, centerPt, parentPt, nodeType):createPlot.ax1.annotate(nodeTxt, xy=parentPt, xycoords='axes fraction', xytext=centerPt, textcoords='axes fraction',va="center", ha="center", bbox=nodeType, arrowprops=arrow_args)#nodeTxt为要显示的文本,xy是箭头尖的坐标,xytest是注释内容的中心坐标#xycoords和textcoords是坐标xy与xytext的说明(按轴坐标),若textcoords=None,则默认textcoords与xycoords相同,若都未设置,默认为data#va/ha设置节点框中文字的位置,va为纵向取值为(u'top', u'bottom', u'center', u'baseline'),ha为横向取值为(u'center', u'right', u'left')def createPlot():fig = plt.figure(1, facecolor = 'white') #创建一个画布,背景为白色fig.clf() #画布清空#ax1是函数createPlot的一个属性,这个可以在函数里面定义也可以在函数定义后加入也可以createPlot.ax1 = plt.subplot(111, frameon = True) #frameon表示是否绘制坐标轴矩形plotNode('a decision node', (0.5, 0.1), (0.1, 0.5), decisionNode)plotNode('a leaf node', (0.8, 0.1), (0.3, 0.8), leafNode)plt.show()createPlot()

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/491792.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

IBM对话智能+未来:十年提升AI性能效率千倍?

来源&#xff1a;云科技时代140多前的1879年&#xff0c;爱迪生经过几千次试验发明了电灯&#xff1b;之后过了90年的1969年美国把人类送到了月球&#xff0c;1970年空中客车公司诞生。在1870年代&#xff0c;人类初次进入电力时代的时候&#xff0c;没有人能够想到有一天人类可…

【转】chrome浏览器的跨域设置——包括版本49前后两种设置

做前后分离的webapp开发的时候&#xff0c;出于一些原因往往需要将浏览器设置成支持跨域的模式&#xff0c;好在chrome浏览器就是支持可跨域的设置&#xff0c;网上也有很多chrome跨域设置教程。但是新版本的chrome浏览器提高了跨域设置的门槛&#xff0c;原来的方法不再适用了…

中国信通院:2019年Q1全球人工智能产业数据报告

来源&#xff1a;网络大数据近日&#xff0c;中国信息通信研究院数据研究中心发布了《全球人工智能产业数据报告(2019Q1)》。报告以中国信息通信研究院数研中心人工智能产业数据库为基础&#xff0c;从企业研究、投融资研究、论文等角度出发&#xff0c;结合产业发展热点&#…

数据库一对一,一对多,多对多关系

关联映射&#xff1a;一对多/多对一 存在最普遍的映射关系&#xff0c;简单来讲就如球员与球队的关系&#xff1b; 一对多&#xff1a;从球队角度来说一个球队拥有多个球员 即为一对多 多对一&#xff1a;从球员角度来说多个球员属于一个球队 即为多对一 数据表间一对多关系如下…

一文读懂产业互联网的前世今生!

来源&#xff1a;全球物联网观察摘要&#xff1a;随着云计算等企业级技术应用的发展普及&#xff0c; 产业互联网实际已经在各行各业展开实践。广度上不仅覆盖服务业、工业和农业&#xff0c;还从商业扩展到公益和政府&#xff0c;整个社会走向全面互联&#xff1b;深度上从营销…

反对量子计算的理由

来源&#xff1a; 悦智网量子计算如今十分流行。几乎每天都有新闻媒体发布相关新闻。其实人类研究量子计算已经长达几十年&#xff0c;却未得出任何实用的结果&#xff0c;大多数评论员都忘记或者掩饰了这一事实。 IBM指出量子计算机能够“使很多学科领域取得突破性进展&#x…

吴恩达《机器学习》学习笔记一——初识机器学习

吴恩达《机器学习》学习笔记一一、 什么是机器学习&#xff1f;二、监督学习三、无监督学习初识机器学习这是个人学习吴恩达《机器学习》课程的一些笔记&#xff0c;供自己和大家学习提升。第一篇内容较少&#xff0c;日后继续加油。课程链接&#xff1a;https://www.bilibili.…

院士张钹:AI奇迹短期难再现 深度学习技术潜力已近天花板

来源&#xff1a;软件定义世界&#xff08;SDX&#xff09;在Alphago与韩国围棋选手李世石对战获胜三年过后&#xff0c;一些迹象逐渐显现&#xff0c;张钹院士认为到了一个合适的时点&#xff0c;并接受了此次的专访。张钹&#xff0c;计算机科学与技术专家&#xff0c;俄罗斯…

吴恩达《机器学习》学习笔记二——单变量线性回归

吴恩达《机器学习》学习笔记二——单变量线性回归一、 模型描述二、 代价函数1.代价函数和目标函数的引出2.代价函数的理解&#xff08;单变量&#xff09;3.代价函数的理解&#xff08;两个参数&#xff09;三、 梯度下降——求解最优参数1.梯度下降的步骤2.梯度下降的数学表达…

吴恩达《机器学习》学习笔记三——多变量线性回归

吴恩达《机器学习》学习笔记三——多变量线性回归一、 多元线性回归问题介绍1.一些定义2.假设函数二、 多元梯度下降法1. 梯度下降法实用技巧&#xff1a;特征缩放2. 梯度下降法的学习率三、 特征选择与多项式回归四、 正规方程法1. 一些定义2. 正规方程解的公式3. 梯度下降法和…

五大核心构成的AIoT,正在遭遇三大挑战,两条突破口外还有什么?

来源&#xff1a;物联网智库随着IoT与AI逐步走向融合&#xff0c;AIoT正将以全新的方式改变人们的生活。一、新业务需求近年来&#xff0c;物联网呈现突飞猛进的发展态势。根据中商情报网的数据&#xff0c;2018年全球物联网设备已经达到70亿台&#xff1b;到2020年&#xff0c…

机器学习中防止过拟合的方法总结

来自机器学习成长之路公众号 在对模型进行训练时&#xff0c;有可能遇到训练数据不够&#xff0c;即训练数据无法对整个数据的分布进行估计的时候&#xff0c;或者在对模型进行过度训练&#xff08;overtraining&#xff09;时&#xff0c;常常会导致模型的过拟合&#xff08;…

吴恩达《机器学习》学习笔记四——单变量线性回归(梯度下降法)代码

吴恩达《机器学习》学习笔记四——单变量线性回归&#xff08;梯度下降法&#xff09;代码一、问题介绍二、解决过程及代码讲解三、函数解释1. pandas.read_csv()函数2. DataFrame.head()函数3. Dataframe.insert()函数课程链接&#xff1a; https://www.bilibili.com/video/BV…

从IoT World 2019看全球IoT九大发展趋势

来源&#xff1a;全球物联网观察美国时间5月14日&#xff0c;IoT World2019在美国硅谷圣克拉拉会议中心举行&#xff0c;今年的主题是“工业与IOT的交互”&#xff0c;从大会主题演讲内容和现场产品展示来看&#xff0c;随着5G的商用和人工智能技术的大面积落地&#xff0c;IoT…

美国一箭投放60颗卫星 马斯克组互联网“星链”

来源&#xff1a;新华网美国太空探索公司当地时间23日晚在美国佛罗里达州一处空军基地发射火箭&#xff0c;将60颗小卫星送入近地轨道。这标志着企业家埃隆马斯克组建互联网卫星群的“星链”项目迈出实质性一步&#xff0c;抢在电子商务巨头亚马逊公司创始人杰夫贝索斯的“柯伊…

吴恩达《机器学习》学习笔记五——逻辑回归

吴恩达《机器学习》学习笔记五——逻辑回归一、 分类&#xff08;classification&#xff09;1.定义2.阈值二、 逻辑&#xff08;logistic&#xff09;回归假设函数1.假设的表达式2.假设表达式的意义3.决策界限三、 代价函数1.平方误差函数的问题2.logistic回归的代价函数四、梯…

协方差与相关系数

定义&#xff1a; 协方差用于衡量两个变量的总体误差。而方差是协方差的一种特殊情况&#xff0c;即当两个变量是相同的情况。 期望值分别为E[X]与E[Y]的两个实随机变量X与Y之间的协方差Cov(X,Y)定义为&#xff1a; 如果两个变量的变化趋势一致&#xff0c;也就是说如果其中一…

吴恩达《机器学习》学习笔记六——过拟合与正则化

吴恩达《机器学习》学习笔记六——过拟合与正则化一、 过拟合问题1.线性回归过拟合问题2.逻辑回归过拟合问题3.过拟合的解决二、 正则化后的代价函数1.正则化思想2.实际使用的正则化三、 正则化的线性回归1.梯度下降的情况2.正规方程的情况四、 正则化的逻辑回归1.梯度下降的情…

5G时代,智能工厂迎来4大改变!

来源&#xff1a;亿欧网作为新一代移动通信技术&#xff0c;5G技术切合了传统制造企业智能制造转型对无线网络的应用需求&#xff0c;能满足工业环境下设备互联和远程交互应用需求。在物联网、工业自动化控制、物流追踪、工业AR、云化机器人等工业应用领域&#xff0c;5G技术起…

主成分分析PCA以及特征值和特征向量的意义

定义&#xff1a; 主成分分析&#xff08;Principal Component Analysis&#xff0c;PCA&#xff09;&#xff0c; 是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量&#xff0c;转换后的这组变量叫主成分。PCA的思想是将n维特征映射到k维上…