python决策树的应用_机器学习-决策树实战应用

1.下载

80ae66cbf902f9c913d34db8b75e03a6.png

6ceabe22994feded7f46fbc997e15dd0.png

b6fc95f0e7121f718e7af2402fdeeab0.png

2.安装:双击

b36c9458f51a3e5b1fa9675b3f3f90c1.png

38634c543cf68032e025c799358004c0.png

8b9b471ec2aa90df71001c87c8c844b1.png

50af0598530554100696ea37f6ce9d8d.png

cb045fdc3984c3407f3a9530b500755d.png

c6dcfb66abbb9d8f0411deef640428a8.png

3.创建桌面快捷方式

安装目录\bin文件夹\:找到gvedit.exe文件右键 发送到桌面快捷方式,如下图:

db30c3f9c8a59a5ad362d942f379d857.png

4.配置环境变量

将graphviz安装目录下的bin文件夹添加到Path环境变量中:

2318d5fc1d48b23839625b2a803bf5f5.png

6657c1a02045cdd2f167602531fba533.png

5.验证是否安装并配置成功

进入windows命令行界面,输入dot -version,然后按回车,如果显示graphviz的相关版本信息,则安装配置成功。如图:

aee7b2d1c1b2a9a96d5f99f452b9f03b.png

6.python环境中安装:(pycharm中)

File->Settings->Project:Python

87174f7bb543615edffce33180f4f957.png

50df03bcdd00a3282d6a16a073951225.png

然后输入graphivz安装

f267fe56367ab6079bfea31d9828182b.png

安装需要等待一会。。。。

c67271d1464b6015954586e073040457.png

决策树实战代码

# -*- coding:utf-8 -*-

from sklearn.feature_extraction import DictVectorizer

import csv

from sklearn import preprocessing

from sklearn import tree

from sklearn.externals.six import StringIO

#read the csv file

allElectronicsDate = open(r'D:\Python\date\AllElectronics.csv','rt')

reader = csv.reader(allElectronicsDate)

headers = next(reader)

# headers = reader.next()

print(headers)#打印输出第一行标题

#['RID', 'age', 'income', 'student', 'credit_rating', 'Class_buys_computer']

featureList = [] #用来存储特征值

labelList = [] #用来存储类标签

#获取特征值并打印输出

for row in reader:

labelList.append(row[len(row) - 1])#每一行最后的值,类标签

rowDict = {}

for i in range(1,len(row) - 1):#每一行 遍历除第一列和最后一列的值

rowDict[headers[i]] = row[i]

featureList.append(rowDict)

print(featureList)

#vectorize feature 使用sklearn自带的方法将特征值离散化为数字标记

vec = DictVectorizer()

dummyX = vec.fit_transform(featureList).toarray()

print("dummyY:" + str(dummyX))

print(vec.get_feature_names())

# print("feature_name" + str(vec.get_feature_names()))

print("labelList:" + str(labelList))

#vectorize class labels #数字化类标签

lb = preprocessing.LabelBinarizer()

dummyY = lb.fit_transform(labelList)

print("dummyY:" + str(dummyY))

#use the decision tree for classification

clf = tree.DecisionTreeClassifier(criterion='entropy')

clf = clf.fit(dummyX,dummyY) #构建决策树

#打印构建决策树采用的参数

print("clf:" + str(clf))

#visilize the model

with open("allElectronicInformationGainOri.dot",'w') as f:

f=tree.export_graphviz(clf,feature_names=vec.get_feature_names(),out_file=f)

#这时就生成了allElectronicInformationGainOri.dot文件

# dot -Tpdf in.dot -o out.pdf dot文件输出为pdf文件

#验证数据,取出一行数据,修改几个属性预测结果

oneRowX = dummyX[0,:]

print("oneRowX:" + str(oneRowX))

newRowX = oneRowX

newRowX[0] = 1

newRowX[2] = 0

print("newRowX:" + str(newRowX))

predictedY = clf.predict(newRowX)

print("predictedY:"+str(predictedY))

结果:

['RID', 'age', 'income', 'student', 'credit_rating', 'class_buys_computer']

[{'income': 'high', 'age': 'youth', 'student': 'no', 'credit_rating': 'fair'}, {'income': 'high', 'age': 'youth', 'student': 'no', 'credit_rating': 'excellent'}, {'income': 'high', 'age': 'middle_aged', 'student': 'no', 'credit_rating': 'fair'}, {'income': 'medium', 'age': 'senior', 'student': 'no', 'credit_rating': 'fair'}, {'income': 'low', 'age': 'senior', 'student': 'yes', 'credit_rating': 'fair'}, {'income': 'low', 'age': 'senior', 'student': 'yes', 'credit_rating': 'excellent'}, {'income': 'low', 'age': 'middle_aged', 'student': 'yes', 'credit_rating': 'excellent'}, {'income': 'medium', 'age': 'youth', 'student': 'no', 'credit_rating': 'fair'}, {'income': 'low', 'age': 'youth', 'student': 'yes', 'credit_rating': 'fair'}, {'income': 'medium', 'age': 'senior', 'student': 'yes', 'credit_rating': 'fair'}, {'income': 'medium', 'age': 'youth', 'student': 'yes', 'credit_rating': 'excellent'}, {'income': 'medium', 'age': 'middle_aged', 'student': 'no', 'credit_rating': 'excellent'}, {'income': 'high', 'age': 'middle_aged', 'student': 'yes', 'credit_rating': 'fair'}, {'income': 'medium', 'age': 'senior', 'student': 'no', 'credit_rating': 'excellent'}]

dummyY:[[ 0. 0. 1. 0. 1. 1. 0. 0. 1. 0.]

[ 0. 0. 1. 1. 0. 1. 0. 0. 1. 0.]

[ 1. 0. 0. 0. 1. 1. 0. 0. 1. 0.]

[ 0. 1. 0. 0. 1. 0. 0. 1. 1. 0.]

[ 0. 1. 0. 0. 1. 0. 1. 0. 0. 1.]

[ 0. 1. 0. 1. 0. 0. 1. 0. 0. 1.]

[ 1. 0. 0. 1. 0. 0. 1. 0. 0. 1.]

[ 0. 0. 1. 0. 1. 0. 0. 1. 1. 0.]

[ 0. 0. 1. 0. 1. 0. 1. 0. 0. 1.]

[ 0. 1. 0. 0. 1. 0. 0. 1. 0. 1.]

[ 0. 0. 1. 1. 0. 0. 0. 1. 0. 1.]

[ 1. 0. 0. 1. 0. 0. 0. 1. 1. 0.]

[ 1. 0. 0. 0. 1. 1. 0. 0. 0. 1.]

[ 0. 1. 0. 1. 0. 0. 0. 1. 1. 0.]]

['age=middle_aged', 'age=senior', 'age=youth', 'credit_rating=excellent', 'credit_rating=fair', 'income=high', 'income=low', 'income=medium', 'student=no', 'student=yes']

labelList:['no', 'no', 'yes', 'yes', 'yes', 'no', 'yes', 'no', 'yes', 'yes', 'yes', 'yes', 'yes', 'no']

dummyY:[[0]

[0]

[1]

[1]

[1]

[0]

[1]

[0]

[1]

[1]

[1]

[1]

[1]

[0]]

clf:DecisionTreeClassifier(class_weight=None, criterion='entropy', max_depth=None,

max_features=None, max_leaf_nodes=None, min_samples_leaf=1,

min_samples_split=2, min_weight_fraction_leaf=0.0,

random_state=None, splitter='best')

oneRowX:[ 0. 0. 1. 0. 1. 1. 0. 0. 1. 0.]

newRowX:[ 1. 0. 0. 0. 1. 1. 0. 0. 1. 0.]

predictedY:[1]

在项目路径里面打开dot文件

c3a5bda962674a153e84190ba5a8167b.png

将dot文件转化为直观的PDF文件(dos 里面输入dot -Tpdf D:\Python\机器学习\allElectronicInformationGainOri.dot -o D:\Python\机器学习\out.pdf 然后回车)

24236347a53ef876f0c99be7f51e869e.png

6d187242f9509d1faf3f962f7c4587ea.png

dot -Tpdf D:\Python\机器学习\allElectronicInformationGainOri.dot -o D:\Python\机器学习\out.pdf

5d8c35dbf161a361dfc6f44d1c0afdc4.png

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/534948.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

【SSM面向CRUD编程专栏 3】关于黑马程序员最全SSM框架教程视频,P37集老师跳过的模块创建以及tomcat下载安装配置和运行等诸多问题

写在前面:​ 本人是在学习B站黑马程序员SSM框架教程视频的时候在P37集遇到了问题,如果不解决还没办法往下接着听,老师跳过的模块创建以及tomcat下载安装配置和运行等诸多问题,全在这篇博客中得到了解决 😢解决上…

python人脸识别源码_Python 抖音机器人,让你找到漂亮小姐姐

本项目作者沉迷于抖音无法自拔,常常花好几个小时在抖音漂亮小姐姐身上。本着高效、直接地找到漂亮小姐姐的核心思想,我用 Python ADB 做了一个 Python 抖音机器人 Douyin-Bot。特性自动翻页颜值检测人脸识别自动点赞自动关注随机防 Ban自动评论原理打开…

thinkphp josn mysql_ThinkPHP:JSON字段类型的使用(ORM)

ThinkPHP5.1版本正式发布已经有一段时间了,我会陆续给大家介绍其中的新特性。今天要给大家介绍的是一个可能很多用户还不了解的一个特性:JSON字段数据支持。不过首先注意一点,本篇内容中描述的JSON字段数据的支持是从V5.1.4版本引入的。由于包…

获取http地址如何从上面抓取图片_用 Python 自动抓取妹子图

目录前言Media Pipeline启用Media Pipeline使用 ImgPipeline抓取妹子图瞎比比与送书后话前言我们在抓取数据的过程中,除了要抓取文本数据之外,当然也会有抓取图片的需求。那我们的 scrapy 能爬取图片吗?答案是,当然的。说来惭愧&a…

MySQL摘要_mysql摘要

2011-04-15(1)mysqld关闭命令:mysqladmin -u root shutdown。注意:windows命令以enter结束不是;,mysql命令行才是(2)mysql终端接入,修改mysql.user表内容,添加授权用户。insert into mysql.user(Host,User,Password,ss…

错误代码0x800f0950怎么解决_解决win10安装net framework 3.5失败(错误代码 0x800F0950)...

视频教程:Win10教程 安装net framework 3.5失败(错误代码 0x800F0950)_哔哩哔哩 (゜-゜)つロ 干杯~-bilibili​www.bilibili.com一:出现问题:报错代码二:解决步骤1.通过命令提示符明确自己系统版本Windows键X ,打开(命…

java mysql dump_Java 调用Mysql dump 备份数据库

SimpleDateFormat sdf new SimpleDateFormat("yyyyMMddHHmmss");try {String name sdf.format(new Date());String filePath System.getProperty("user.dir") "//" name ".sql";// 系统执行器Runtime rt Runtime.getRuntime();…

python 日志不会按照日期分割_django实现日志按日期分割

settings文件中配置: LOGGING { version:1, disable_existing_logger:False, formatters:{ verbose:{ format:%(asctime)s \"%(pathname)s:%(module)s:%(funcName)s:%(lineno)d\" [%(levelname)s]-%(message)s }, }, # 处理器 handlers:{ # 输…

mysql事务隔离最高_Mysql事务隔离级别

mysql官方文档显示:InnoDB中每个隔离级别的详细描述如下: READ UNCOMMITTEDSELECT语句以非锁定方式被执行,但是一个可能更早期版本的记录会被用到。因此,使用这个隔离级别,比如,读是不连贯的。着也被称为“…

exe打包工具哪个最好_一键分发工具哪个最好用?这款30万人都在用,很优秀!...

现代化媒体对于传播越来越重要,16年到如今,视频内容产业实在有话题度,其高效的粉丝互动机制、低资金投入高额回报等等亮点,强烈吸引着数以百万计的创造者,为了达到极其出色的阅读量,这些人往往会运用到所有…

mysql备份服务器中的_使用 Shell 备份远程服务器上的 MySQL 数据库到本机

适用场景:远程服务器上的 MySQL 不允许远程访问,此时我们需要先登录服务器,备份数据库后,将备份文件拉取到本机。源码 mysqlDumpRemote2Local.sh#!/bin/bash################################################# TODO: 登录远程服务…

date转timestamp格式_技术分享 | MySQL:timestamp 时区转换导致 CPU %sy 高的问题

作者:高鹏文章末尾有他著作的《深入理解 MySQL 主从原理 32 讲》,深入透彻理解 MySQL 主从,GTID 相关技术知识。本文为学习记录,可能有误请谅解。本文建议PC端观看,效果更佳。这个问题是一个朋友遇到的风云&#xff0c…

mysql架构组成_第 2 章 MySQL 架构组成

麻雀虽小,五脏俱全。MySQL 虽然以简单著称,但其内部结构并不简单。本章从MySQL物理组成、逻辑组成,以及相关工具几个角度来介绍 MySQL 的整体架构组成,希望能够让读者对 MySQL 有一个更全面深入的了解。2.1 MySQL物理文…

python列表生成器语法_python列表生产式和生成器

1.列表生成式:通过简洁的语法可以对一组元素进行过滤 格式:[exp for val in collection if condition] 例子1: a [x*xforxinxrange(1,10)ifx%20] print(a) 1)append(): 该方法用于在列表末尾添加新的对象,…

win2008 mysql端口_使用自定义端口连接SQL Server 2008的方法

使用过SQL Server的人大多都知道,SQL Server服务器默认监听的端口号是1433,但是我今天遇到的问题是我的机器上有三个数据库实例,这样使用TCP/IP远程连接时就产生了问题。如何在Microsoft SQL Server Management Studio里加入端口号连接呢&…

python基本命令range_Python的Range()函数(指南)

当需要执行特定次数的操作时,Python内置的range函数十分方便。 读罢本文,你将: 理解Python的range函数是如何工作的 了解Python 2和Python 3中的实现方式有何不同 看过了不少range()函数操作实例 有能力解决它的一些局限性 让我们开始吧&…

天涯python_python 網絡爬蟲(一)爬取天涯論壇評論

我是一個大二的學生,也是剛接觸python,接觸了爬蟲感覺爬蟲很有趣就爬了爬天涯論壇,中途碰到了很多問題,就想把這些問題分享出來,都是些簡單的問題,希望大佬們以寬容的眼光來看一個小菜鳥😄&…

python快递费用计算_[Python]简单用Python写个查询快递的程序最后附源代码

[Python] 纯文本查看 复制代码from requests_html import HTMLSession session HTMLSession() def sb(dh): 用来识别快递 返回快递种类! url http://www.kuaidi100.com/autonumber/autoComNum?resultv21&text dh header { Referer: http://www.kuaidi100.com/, User-A…