构造数据

我们用pandas生成20条数据，其中标签为bad的数据有6条，标签为good的数据有14条，代码如下：

import pandas as pd
import numpy as npbad_df = pd.DataFrame(data={"sex":['男', '男', '女', '男', '女', '男'],"status":['单身', '已婚', '已婚', '单身', '已婚', '单身'],"age":[39, 25, 26, 26, 21, 27],"month":[15, 12, 12, 42, 30, 48],"amount":[1271, 1484, 609, 4370, 3441, 10961],"y":["bad"]*6,
})good_df = pd.DataFrame(data={"sex":['男','女','女','男','男','女','男','男','女','男','女','男','男','男'],"status":['单身','已婚','已婚','单身','单身','已婚','单身','单身','已婚','单身','已婚','单身','单身','单身'],"age":[29, 26, 26, 47, 32, 59, 56, 51, 31, 23, 28, 45, 36, 36],"month":[24, 12, 24, 15, 48, 15, 12, 6, 21, 13, 24, 6, 36, 12],"amount":[2333,763,2812,1213,7238,5045,618,1595,2782,882,1376,1750,2337,1542],"y":["good"]*14,
})df = pd.concat(objs=[bad_df,good_df],ignore_index=True)

数据中包括：sex（性别）、status（婚姻状况）、age（年龄）、month（贷款年限）、amount（贷款金额）、y（客户标签：good未逾期，bad逾期）。

数据预览如下：

	sex	status	age	month	amount	y
0	男	单身	39	15	1271	bad
1	男	已婚	25	12	1484	bad
2	女	已婚	26	12	609	bad
3	男	单身	26	42	4370	bad
4	女	已婚	21	30	3441	bad
5	男	单身	27	48	10961	bad
6	男	单身	29	24	2333	good
7	女	已婚	26	12	763	good
8	女	已婚	26	24	2812	good
9	男	单身	47	15	1213	good
10	男	单身	32	48	7238	good
11	女	已婚	59	15	5045	good
12	男	单身	56	12	618	good
13	男	单身	51	6	1595	good
14	女	已婚	31	21	2782	good
15	男	单身	23	13	882	good
16	女	已婚	28	24	1376	good
17	男	单身	45	6	1750	good
18	男	单身	36	36	2337	good
19	男	单身	36	12	1542	good

## 解决问题 **现在有一个人，sex=男，status=单身，age=24，month=12，amount=2000，根据上面的信息，判断y应该是good or bad？**

根据上面的信息，并没有直接的答案，比如：当age<20，y就是bad。找不到类似这样的结论。
可以选用决策树算法来判断，如下图。从上往下走，最后结果为1（bad）

决策树解决

优点：通俗易懂，便于理解

缺点：随着样本的改变而出现不同的树

sklearn地址：https://scikit-learn.org/stable/modules/tree.html

简单了解一下CART（Classification And Regression Tree）

最核心的一个概念，GINI系数。
G I N I k = T k T ∗ ( 2 ∗ T k 0 T k ∗ T k 1 T k ) + S T ∗ ( 2 ∗ T s 0 S ∗ T s 1 S ) GINI_k=\frac{T_k}{T}*(2*\frac{T_{k0}}{T_{k}}*\frac{T_{k1}}{T_k})+\frac{S}{T}*(2*\frac{T_{s0}}{S}*\frac{T_{s1}}{S}) GINIk=TTk∗(2∗TkTk0∗TkTk1)+TS∗(2∗STs0∗STs1)

T : 总样本数 T:总样本数 T:总样本数
T k : 第 k 个分组的样本数 T_k:第k个分组的样本数 Tk:第k个分组的样本数
T k 0 : 第 k 个分组的样本中 y = 0 的样本数 T_{k0}:第k个分组的样本中y=0的样本数 Tk0:第k个分组的样本中y=0的样本数
T k 1 : 第 k 个分组的样本中 y = 1 的样本数 T_{k1}:第k个分组的样本中y=1的样本数 Tk1:第k个分组的样本中y=1的样本数
S = T − T k , 去掉 k 个分组之后的所有样本数据 S=T-T_k,去掉k个分组之后的所有样本数据 S=T−Tk,去掉k个分组之后的所有样本数据
T s 0 : S 中 y = 0 的样本数 T_{s0}:S中y=0的样本数 Ts0:S中y=0的样本数
T s 1 : S 中 y = 1 的样本数 T_{s1}:S中y=1的样本数 Ts1:S中y=1的样本数

步骤：（数值型数据，比如收入）
1. 对收入数据去重排序后，相邻的数据取平均数，得到A1，A2，A3，…
2. 以A1，A2，A3，…为分界线，计算每一个A对应的GINI系数，
3. 选择最小的GINI系数为分割点，继续第1,2步，直到达到条件结束。
4. 最小的GINI系数小于阈值，结束。
5. 数的深度（划分的区间）大于指定的区间，结束。
步骤：（分类型数据，比如婚姻）
1. 分类型数据，数据已经分好，比如分为单身（A1），已婚（A2），离婚（A3），其他（A4）
2. 计算所有组合的GINI系数
3. 选择最小的GINI系数为分割点，继续第1,2步，直到达到条件结束
4. 最小的GINI系数小于阈值，结束。
5. 数的深度（划分的区间）大于指定的区间，结束。
决策树步骤：
1. 计算所有特征每一个分组的GINI系数，最小的GINI系数为根节点，划分好数据
2. 继续计算每个划分好的GINI系数，找出最小的GINI系数，为根节点，继续重复
3. 最小的GINI系数小于阈值，结束。
4. 数的深度（划分的区间）大于指定的区间，结束。

代码如下：

df2 = df.copy()
# 修改一下数据类型，
# sex：0（男），1（女）
# status：0（单身），1（已婚）
# y：0（good），1（bad）
df2["sex"] = df2["sex"].map(lambda x:0 if x=="男" else 1)
df2["status"] = df2["status"].map(lambda x:0 if x=="单身" else 1)
df2["y"] = df2["y"].map(lambda x:0 if x=="good" else 1)from sklearn import tree
X, y = df2.iloc[:,:-1],df2.iloc[:,-1]
clf = tree.DecisionTreeClassifier()
clf = clf.fit(X, y)import graphviz
dot_data = tree.export_graphviz(clf, out_file=None)
graph = graphviz.Source(dot_data)
# graph.render("tree") pdf
iris = load_iris()
dot_data = tree.export_graphviz(clf, out_file=None,proportion=True, feature_names=['sex', 'status', 'age', 'month', 'amount',],  class_names=["0","1"],  filled=True, rounded=True,  special_characters=True)
graph = graphviz.Source(dot_data)

jupyter中查看graph结果如下：

graph

# 预测sex=男，status=单身，age=24，month=12，amount=2000，的结果
clf.predict(X=[[0,0,24,12,2000]])
# array([1])

预测结果为1,（bad），所以sex=男，status=单身，age=24，month=12，amount=2000的客户，可能为逾期用户。

报错解决

failed to execute WindowsPath(‘dot‘), make sure the Graphviz executables are on your systems‘ PATH

1、安装graphviz

pip install graphviz

2、打开 https://graphviz.org/download/ 官网下载对应的版本，例如：windows_10_cmake_Release_graphviz-install-8.0.3-win64.exe

3、安装时勾选 Add Graphviz to the system PATH for all users，点击下一步直到安装成功即可。

4、重启电脑即可解决

源码地址

链接：https://pan.baidu.com/s/1G2agrUMALP6oPfBeHdqRaQ?pwd=ogn3
提取码：ogn3

Python数据分析实战【十二】：机器学习决策树算法案例实战【文末源码地址】相关推荐

Python数据分析实战【六】：用Python实现自动发送邮件和发送钉钉消息【文末源码地址】
目录发送邮件源码发送钉钉消息源码源码地址本文可以学习到以下内容: 使用requests库发送钉钉消息使用email和smtplib库发送邮件使用163邮箱服务,自动发送邮件及附件发送邮件 ...
Python数据分析实战【九】：用Python处理省份城市编码数据【文末源码地址】
文章目录项目背景项目代码新增省份编码获取编码映射数据合并数据统计省份用户数使用SQL实现源码地址本文可以学习到以下内容: 免费获取全国省份.城市编码以及经纬度数使用 pandas ...
用Python给娃送上一份猪年春节礼物。文末源码！
随着农历猪年的到来,Pig的卡通形象以火爆的热度迅速成为大家心中的新一任萌宠,尤其是深受小朋友喜欢的小猪佩奇,作为一枚关心热点又家有小娃的非典型程序猿小编,也来蹭蹭热点,让我们用Python来送给娃一 ...
Python数据分析实战【七】：用Python实现对Excel文件中的数据进行md5加密【文末源码地址】
文章目录获取数据加密函数数据加密结尾源码地址本文可以学习到以下内容: 使用 pandas 中的 to_excel 生成 excel 数据使用 pandas 中的 read_excel 读 ...
“数字炸弹“——练习Python基础知识的小游戏【文末源码地址】
文章目录数字"炸弹" 基本代码核心代码源码地址数字"炸弹" 数字炸弹小游戏,平时可以多个人一块玩.游戏规则也很简单:从0~100之间选一个数字,作为&q ...
java计算机毕业设计数据分析星辰网智能手机销售网站MyBatis+系统+LW文档+源码+调试部署
java计算机毕业设计数据分析星辰网智能手机销售网站MyBatis+系统+LW文档+源码+调试部署 java计算机毕业设计数据分析星辰网智能手机销售网站MyBatis+系统+LW文档+源码+调试部署 ...
pyTorch入门（六）——实战Android Minist OpenCV手写数字识别（附源码地址）
学更好的别人, 做更好的自己. --<微卡智享> 本文长度为4239字,预计阅读12分钟前言前面几篇文章实现了pyTorch训练模型,然后在Windows平台用C++ OpenCV D ...
35. 实战：Python实现视频去水印（文末源码）
目录前言目的思路代码实现 1. 请求URL,查看源代码 2. 源代码中没有就去抓包工具 3. 拿到视频源链接,继续检索来源 4. 拿到数据和链接,二进制写入到本地完整源码运行效果总结前 ...
Python数据分析第十二课：单变量、双变量及多变量分析图
一.单变量分析绘图什么是单变量分析? 单变量其实就是我们通常接触到的数据集中的一列数据. 单变量分析是数据分析中最简单的形式,其中被分析的数据只包含一个变量.因为它是一个单一的变量,它不处理原因或关 ...

Python数据分析实战【十二】：机器学习决策树算法案例实战【文末源码地址】

文章目录

构造数据

决策树解决

报错解决

源码地址

Python数据分析实战【十二】：机器学习决策树算法案例实战【文末源码地址】相关推荐

最新文章

热门文章