利用决策树进行鸢尾花数据集分类预测

2 利用决策树进行鸢尾花数据集分类预测
- 2.1 导入模块与加载数据
- 2.2 划分数据
- 2.3 模型创建与应用
- 2.4 模型可视化

手动反爬虫，禁止转载：原博地址 https://blog.csdn.net/lys_828/article/details/122045161（CSDN博主：Be_melting）

 知识梳理不易，请尊重劳动成果，文章仅发布在CSDN网站上，在其他网站看到该博文均属于未经作者授权的恶意爬取信息

2 利用决策树进行鸢尾花数据集分类预测

2.1 导入模块与加载数据

在进行逻辑回归分类的过程中已经有使用过iris数据集，这里直接加载数据，并进行字段名称的修改。

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
sns.set(color_codes=True)
%matplotlib inlineiris_df = pd.read_csv('../data/iris.csv',header=None)
col_name =   ['sepal length', 'sepal width', 'petal length', 'petal width', 'class']
iris_df.columns = col_name

输出结果如下。

通过info()方法查看各个字段的基本详情，输出结果如下。字段中数据已经是处理完整，没有需要清洗的部分。

2.2 划分数据

首先进行特征数据和标签数据的划分。

X = iris_df.drop(columns=['class'])
X.head(5)
y = iris_df['class']
y.head(5)

输出结果如下。

接着就是对数据集进行训练数据和测试数据的划分。在前一个案例中，数据量不超过20条，全部应用在模型中，而真实的环境中，为了保证模型的稳定性，需要进行训练和测试数据的划分，代码操作如下。

from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size = 0.2)

输出结果如下。

2.3 模型创建与应用

#第一步：导入模型
from sklearn.tree import DecisionTreeClassifier
#第二步：模型初始化
model = DecisionTreeClassifier()
#第三步：模型训练
model.fit(X_train,y_train)
#第四步：模型预测
predictions = model.predict(X_test)
predictions
#第五步：模型评估
from sklearn.metrics import accuracy_score
score = accuracy_score(y_test,predictions)
score

输出结果如下。

如果日后有需要，觉得当前模型得分还行，可以进一步将模型保存本地。（根据个人需要选择）

import joblib
joblib.dump(model,'iris.joblib')

输出结果如下。

2.4 模型可视化

有了案例一的操作，对于模型预测的流程和结果可视化就简单了，对前面提及到了五个参数进行修改就可以了，代码如下。

from sklearn import tree
tree.export_graphviz(model,out_file='iris.dot',feature_names=['sepal length', 'sepal width', 'petal length', 'petal width'],class_names=sorted(y.unique()),label='all',rounded=True,filled=True)

输出结果如下。

对生成的文件，用软件打开后，生成的决策树图形结果如下。也可以参照案例一中的操作，将图片加载到jupyter notebook中，有兴趣可以进行数据的核验。

【机器学习】决策树案例二：利用决策树进行鸢尾花数据集分类预测相关推荐

利用神经网络对鸢尾花数据集分类
利用神经网络对鸢尾花数据集分类详细实现代码请见:https://download.csdn.net/download/weixin_43521269/12578696 一.简介一个人工神经元网络是 ...
（决策树，朴素贝叶斯，人工神经网络）实现鸢尾花数据集分类
from sklearn.datasets import load_iris # 导入方法类iris = load_iris() #导入数据集iris iris_feature = iris.data ...
机器学习入门案例：鸢尾花数据集分类绘制PR曲线
案例使用鸢尾花数据集进行分类预测,并绘制评价分类性能的PR曲线图认识分类任务和数据集 Iris(鸢尾花)数据集案例演示中使用的是有监督的机器学习算法:SVM 支持向量机建立模型的流程如下: 训练 ...
orange实现逻辑回归_分别用逻辑回归和决策树实现鸢尾花数据集分类
学习了决策树和逻辑回归的理论知识,决定亲自上手尝试一下.最终导出决策树的决策过程的图片和pdf.逻辑回归部分参考的是用逻辑回归实现鸢尾花数据集分类,感谢原作者xiaoyangerr 注意:要导出为pd ...
机器学习应用篇（七）——基于LightGBM的分类预测
机器学习应用篇(七)--基于LightGBM的分类预测文章目录机器学习应用篇(七)--基于LightGBM的分类预测一.Introduction 1 LightGBM的优点 2 LightGBM ...
用逻辑回归实现鸢尾花数据集分类（1）
鸢尾花数据集的分类问题指导 -- 对数几率回归(逻辑回归)问题研究 (1) 这一篇Notebook是应用对数几率回归(Logit Regression)对鸢尾花数据集进行品种分类的.首先会带大家探索一 ...
实验一：鸢尾花数据集分类
实验一:鸢尾花数据集分类一.问题描述利用机器学习算法构建模型,根据鸢尾花的花萼和花瓣大小,区分鸢尾花的品种.实现一个基础的三分类问题. 二.数据集分析 Iris 鸢尾花数据集内包含 3 种类别,分 ...
ML机器学习算法（一）: 基于逻辑回归的分类预测
机器学习算法(一): 基于逻辑回归的分类预测 1 逻辑回归的介绍和应用 1.1 逻辑回归的介绍逻辑回归(Logistic regression,简称LR)虽然其中带有"回归"两个 ...
基于Adaboost实现鸢尾花数据集分类
写在之前提交内容分为两大部分: 一为Adaboost算法实现,代码在文件夹<算法实现>中,<提升方法笔记>为个人学习笔记. 二为基于Adaboost模型实现鸢尾花数据集分类, ...

【机器学习】决策树案例二：利用决策树进行鸢尾花数据集分类预测

利用决策树进行鸢尾花数据集分类预测

2 利用决策树进行鸢尾花数据集分类预测

2.1 导入模块与加载数据

2.2 划分数据

2.3 模型创建与应用

2.4 模型可视化

【机器学习】决策树案例二：利用决策树进行鸢尾花数据集分类预测相关推荐

最新文章

热门文章