DecisionTree决策树分类可视化

关于鸢尾花的数据集的介绍，见维基百科 https://en.wikipedia.org/wiki/Iris_flower_data_set
该数据集由来自三种鸢尾（Iris setosa，Iris virginica和Iris versicolor）中的每一种的50个样品组成。从每个样品测量四个特征：萼片和花瓣的长度和宽度，以厘米为单位。
数据集包含一组150个记录，属于5个属性 - 花瓣长度，花瓣宽度，萼片长度，萼片宽度和类别。

from sklearn.datasets import load_iris #导入鸢尾花的数据集，
iris=load_iris()# 数据集介绍
# 见维基百科https://en.wikipedia.org/wiki/Iris_flower_data_set
# print(iris.feature_names) #['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)'] 花瓣长度/花瓣宽度/萼片长度/萼片宽度
# print(iris.target_names)#['setosa' 'versicolor' 'virginica']三种鸢尾花
# print(iris.data[0]) #[5.1 3.5 1.4 0.2] 第一条数据
# print(iris.target[0:51])#[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1] 可以看出每个品种的花50个样本
# print(len(iris.target)) #150
# for i in range(len(iris.target)):
#     print('Example样本%d，label标签%s, features特征%s'%(i,iris.target[i],iris.data[i]))# example used to 'test' the classifier's accuracy
test_idx=[0,50,100]
import numpy as np
# 训练数据
train_target=np.delete(iris.target,test_idx)#
train_data=np.delete(iris.data,test_idx,axis=0)
# 测试数据
test_target=iris.target[test_idx]
test_data=iris.data[test_idx]from sklearn import tree
clf=tree.DecisionTreeClassifier()
clf=clf.fit(train_data,train_target)print(test_target)#[0 1 2]
print(clf.predict(test_data)) #[0 1 2]# 制作简单易读的pdf
from sklearn.externals.six import StringIO
import pydotplus   #pydot的升级包
dot_data=StringIO()
tree.export_graphviz(clf,out_file=dot_data,feature_names=iris.feature_names,class_names=iris.target_names,filled=True,rounded=True,impurity=False)
graph=pydotplus.graph_from_dot_data(dot_data.getvalue())graph.write_pdf('iris.pdf') #关于报错：https://www.jianshu.com/p/d221834e00c4print(test_data[0],test_target[0])  #[5.1 3.5 1.4 0.2] 0
print(iris.feature_names,iris.target_names) #['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)'] ['setosa' 'versicolor' 'virginica']

注意1：需要安装Graphviz软件，而不是通过pip install Graphviz安装包；

安装Graphviz软件步骤：

1.下载Windows软件包 2.38稳定释放 graphviz-2.38.zip

https://graphviz.gitlab.io/_pages/Download/Download_windows.html

2.将压缩包放入E:\AI graphviz\ 中解压，解压后多了一个release文件夹；

3.将release中的bin文件夹的路径添加到环境变量中：

注意2.安装 pydot的升级包 pydotplus，通过pip install pydotplus

注意3.Decision Tree分类数据需要从上往下看，每个节点代表一个特征，并向其提供一个‘是不是的问题’。

使用决策树总结：决策树提出的每一个问题，必须针对某一个特征，就意味着你选的特征越可靠，决策树准确率越高。

DecisionTree决策树分类可视化相关推荐

数据分享|PYTHON用决策树分类预测糖尿病和可视化实例
全文下载链接:http://tecdat.cn/?p=23848 在本文中,决策树是对例子进行分类的一种简单表示.它是一种有监督的机器学习技术,数据根据某个参数被连续分割.决策树分析可以帮助解决分类和 ...
以红酒数据集分类为例做决策树的可视化
文章目录前言决策树原理可视化决策树举例 gini entropy 总结前言本文是决策树可视化例子决策树原理决策树的分类原理有ID3(信息增益最大准则).C4.5(信息增益比准则).CAR ...
python决策树分类导入数据集_BPNN、决策树、KNN、SVM分类鸢尾花数据集Python实现...
数据集处理数据获取使用sklearn的dataset获取数据 from sklearn import datasets from sklearn.model_selection import tr ...
机器学习： 01 决策树分类
文章目录决策树演变从LR 到决策树演变决策树构建过程,如何停止生长?三个条件是什么树模型属性选择? 回归树剪纸?如果让回归树无限制生长,会过拟合决策树到随机森林决策树分类案例工具库导入 ...
Python 决策树分类算法分析与实现
决策树分类算法分析与实现决策树分类算法是最为常见的一种分类算法,通过属性划分来建立一棵决策树,测试对象通过在树上由顶向下搜索确定所属的分类.决策树的构建主要需要解决两个问题: (1)树的每次成长,选 ...
python决策树分类鸢尾花_基于决策树—鸢尾花分类
决策树算法广泛应用于:语音识别.医疗诊断.客户关系管理.模式识别.专家系统等,在实际工作中,必须根据数据类型的特点及数据集的大小,选择合适的算法. 本文选择经典案例--<鸢尾花分类> 一. ...
c++实现决策树分类汽车评估数据集_R有监督机器学习-分类方法
当我们说机器学习的的时候,我们在说什么? 来源于mlr3包的作者:https://mlr3book.mlr-org.com/basics.html 上图解释了完整的机器学习流程,包括构建任务.准备训练 ...
Kaggle数据集之电信客户流失数据分析（三）之决策树分类
一.导入数据 import pandas as pd df=pd.read_csv(r"D:\PycharmProjects\ku_pandas\WA_Fn-UseC_-Telco-Cust ...
决策树分类原理(一）26
1.决策树概述决策树是属于有监督机器学习的一种,起源非常早,符合直觉并且非常直观,模仿人类做决策的过程,早期人工智能模型中有很多应用,现在更多的是使用基于决策树的一些集成学习的算法.这一章我们把决策 ...

DecisionTree决策树分类可视化

DecisionTree决策树分类可视化相关推荐

最新文章

热门文章