结果

代码

from sklearn.datasets import load_iris
import numpy as np
from collections import defaultdict
from operator import itemgetter
from sklearn.model_selection import train_test_split#接收数据集,对应类别,特征索引,具体特征值
#返回特征索引具体特征值对分类最好的类别,以及分类错误的数量
def train_feature_value(X, y_true, feature_index, value):#统计 类别为feature_index且其特征值为value的个体class_counts=defaultdict(int)for sample,y in zip(X,y_true):if(sample[feature_index]==value):class_counts[y]+=1#排序sorted_class_counts=sorted(class_counts.items(),key=itemgetter(1),reverse=True)#符合要求个体最多的类别most_frequent_class=sorted_class_counts[0][0]#计算以该特征值分类符合要求个体最多的类别的错误率incorrect_predictions=[class_count for class_value,class_count in class_counts.items() if class_value!=most_frequent_class]error=sum(incorrect_predictions)return most_frequent_class,error#接收数据集,对应类别,特征索引
#返回特征索引每一个特征值分类最好的类别,以及分类错误的数量
def train_on_feature(X, y_true, feature_index):values=set(X[:,feature_index])predictors={}errors=[]#计算某个特征其不同特征值分类能力for current_value in values:predictors[current_value],error=train_feature_value(X, y_true, feature_index, current_value)errors.append(error)return predictors,sum(errors)#接收训练集
#返回预测器model
#model:feature为用于预测的特征的索引, predictor为特征的特征值对应的预测类别
#model={'feature': 2(特征索引), 'predictor': {0(特征值): 0(对应类别), 1(特征值): 2(类别)}}
def Training(Xd_train, Yd_train):all_predictors={}errors={}#计算每个特征的分类能力for feature_index in range(Xd_train.shape[1]):predictor,error=train_on_feature(Xd_train,Yd_train,feature_index)all_predictors[feature_index]=predictorerrors[feature_index]=errorbest_feature,minimum_error=sorted(errors.items(),key=itemgetter(1),reverse=False)[0]model={'feature':best_feature,'predictor':all_predictors[best_feature]}return model#接收测试集,预测模型
#返回预测集
def predict(Xd_test, model):feature_index=model['feature']predictor=model['predictor']y_predicted=np.array([predictor[int(sample[feature_index])] for sample in Xd_test])return y_predicted#获取数据集
dataset=load_iris()
X=dataset.data
Y=dataset.target#数据集离散化
attribute_means=X.mean(axis=0)
X_d=np.array(X>=attribute_means,dtype='int')#数据集分割
Xd_train,X_test,Yd_train,Y_test=train_test_split(X_d,Y,random_state=14)#预测模型训练
model=Training(Xd_train, Yd_train)
print("The predict model:{0}".format(model))#预测模型评估
y_predicted=predict(X_test, model)
accuracy=np.mean(y_predicted==Y_test)*100
print("The test accuracy is {:.1f}%".format(accuracy))

OneR算法_0(python数据挖掘入门与实践-实验2)相关推荐

亲和性分析_0(python数据挖掘入门与实践-实验1)
文章目录解析思路效果代码解析支持度:事件发生的总次数置信度:一定条件下,事件发生的概率思路第一步: 导入数据,并交由变量X维护创建特征数组获取特征数量第二步: 创建字典 val ...
Python数据挖掘入门与实践-OneR分类算法
Python数据挖掘入门与实践-OneR分类算法 OneR算法 OneR算法是根据已有的数据中,具有相同特征值的个体最可能属于哪个类别进行分类. 在本例中,只需选区Iris是个特征中分类效果最好的一个 ...
《python数据挖掘》和《python数据挖掘入门与实践》两本书读后感
这些天花了很多时间来学习数据挖掘这门课程,有很多心得和感悟,所以写下这篇博客来表达自己读完这两本书的感受! 首先推荐大家通过这两本书来入门数据挖掘这个领域,python数据挖掘这本书较容易,还花了很大 ...
Python数据挖掘入门与实践---用决策树预测获胜球队
数据集来源:1. 2013-14 NBA Schedule and Results 2.2013年 NBA 赛季排名情况参考书籍:<Python数据挖掘入门与实践> 1.加载数据集: ...
《python数据挖掘入门与实践》决策树预测nba数据集
前言: 学到决策树预测球队输赢时,按照书中网址去下载数据集,无奈怎么也没下载成功.即使下载了excel文件也是破损的.咱可是学了python的银,那好吧,我就把它爬取下来.(资源在下面) 代码: '' ...
改写《python数据挖掘入门与实践》第九章Gutenberg书籍下载代码
@数据挖掘改写<python数据挖掘入门与实践>第九章Gutenberg书籍下载代码可能是gutenberg网站改版的缘故,随书附带的getdata.py代码执行会报错. 个人将其进行 ...
python_tweets.json (python数据挖掘入门与实践数据集下载)
最近在看python数据挖掘入门与实践一书,书不错,有个不好的地方是,书上所用的数据集,有几个测试数据在网上非常不好找下面几个资源是我自己整理出来的,上传到CSDN,有需要的朋友可以下载 leagu ...
数据挖掘入门读物《Python数据挖掘入门与实践》豆瓣评分[7.70]
好书推荐.视频分享,公众号"读书ReadBook"与您一起进步下载地址-- 1.点击阅读原文或者地址 https://ebooklist.mobi/2019/05/20/6465 ...
Python数据挖掘入门与实践pdf
下载地址:网盘下载内容简介 · · · · · · 本书作为数据挖掘入门读物,介绍了数据挖掘的基础知识.基本工具和实践方法,通过循序渐进地讲解算法,带你轻松踏上数据挖掘之旅.本书采用理论与实践相结 ...

OneR算法_0(python数据挖掘入门与实践-实验2)

文章目录

结果

代码

OneR算法_0(python数据挖掘入门与实践-实验2)相关推荐

最新文章

热门文章