机器学习实战——绘制决策树（代码）

最近在学习Peter Harrington的《机器学习实战》，代码与书中的略有不同，但可以顺利运行。

import matplotlib.pyplot as plt# 定义文本框和箭头格式
decisionNode = dict(boxstyle='sawtooth', fc='0.8')
leafNode = dict(boxstyle='round4', fc='0.8')
arrow_args = dict(arrowstyle='<-')# 使用文本注解绘制树节点
def plotNode(nodeTxt, cencerPt, parentPt, nodeType):createPlot.axl.annotate(nodeTxt, xy=parentPt, xycoords='axes fraction',xytext=cencerPt, textcoords='axes fraction',va='center', ha='center', bbox=nodeType, arrowprops=arrow_args)# 第一版的createPlot()，之后还需要修改
# def createPlot():
#     fig = plt.figure(1, facecolor='white')
#     fig.clf()
#     createPlot.ax1 = plt.subplot(111, frameon=False)
#     plotNode('a decision  node', (0.5, 0.1), (0.1, 0.5), decisionNode)
#     plotNode('a leaf node', (0.8, 0.1), (0.3, 0.8), leafNode)
#     plt.show()
# createPlot()
# 报错'function' object has no attribute 'axl'，原因未知# 获取叶节点的数目
def getNumLeafs(mytree):numLeafs = 0firstStr = list(mytree.keys())[0]secondDict = mytree[firstStr]for key in secondDict.keys():if type(secondDict[key]).__name__=='dict':numLeafs += getNumLeafs(secondDict[key])else:numLeafs += 1return numLeafs# mytree = {'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}}
# print(getNumLeafs(mytree))# 获取决策树的层数
def getTreeDepth(mytree):maxDepth = 0firstStr = list(mytree.keys())[0]secondDict = mytree[firstStr]for key in secondDict.keys():if type(secondDict[key]).__name__ == 'dict':thisDepth = 1 + getTreeDepth(secondDict[key])else:thisDepth = 1if thisDepth > maxDepth:maxDepth = thisDepthreturn maxDepth# mytree = {'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}}
# print(getTreeDepth(mytree))# 在父子节点之间填充文本信息
def plotMidText(centerPt, parentPt, txtString):xMid = (parentPt[0] - centerPt[0]) / 2.0 + centerPt[0]yMid = (parentPt[1] - centerPt[1]) / 2.0 + centerPt[1]createPlot.axl.text(xMid, yMid, txtString)def plotTree(mytree, parentPt, nodeTxt):numLeafs = getNumLeafs(mytree)depth = getTreeDepth(mytree)firstSides = list(mytree.keys())firstStr = firstSides[0]  # 划分数据集的特征centerPt = (plotTree.xOff + (1.0 + float(numLeafs))/2.0/plotTree.totalW, plotTree.yOff)  # x轴右移，(1+叶节点数目)/(2*决策树宽度)，y轴不变plotMidText(centerPt, parentPt, nodeTxt)  # 绘制父子节点之间的文本标签（对于划分数据集的特征，其实没有文本标签）plotNode(firstStr, centerPt, parentPt, decisionNode)  # 绘制父节点与指向子节点的箭头secondDict = mytree[firstStr]  # 划分数据集特征的取值plotTree.yOff = plotTree.yOff - 1.0 / plotTree.totalD  # y轴下移，1/决策树深度for key in secondDict.keys():# 如果分支下还有子树，调用函数本身，递归完成该分支的绘制if type(secondDict[key]).__name__ == 'dict':plotTree(secondDict[key], centerPt, str(key))# 如果分支下没有子树，仅一种分类结果，绘制叶子节点，添加父子节点之间的文本标签else:plotTree.xOff = plotTree.xOff + 1.0 / plotTree.totalW  # x轴右移，1/(2*决策树宽度)plotNode(secondDict[key], (plotTree.xOff, plotTree.yOff), centerPt, leafNode)  # 绘制叶子节点plotMidText((plotTree.xOff, plotTree.yOff), centerPt, str(key))  # 添加父子节点之间的文本标签plotTree.yOff = plotTree.yOff + 1.0/plotTree.totalD # y轴上移，恢复初始值，确保另外一个分支父节点的位置正确def createPlot(intree):fig = plt.figure(1, facecolor='white')  # 创建一个新图形，前景色为白色fig.clf()  # 清空绘图区axprops = dict(xticks=[], yticks=[])  # 定义坐标轴（空白）createPlot.axl = plt.subplot(111, frameon=False, **axprops)  # 创建子图，无边框，无坐标值plotTree.totalW = float(getNumLeafs(intree))   # 设置全局变量，记录决策树的宽带plotTree.totalD = float(getTreeDepth(intree))  # 设置全局变量，记录决策树的深度plotTree.xOff = -0.5 / plotTree.totalW  # 设置全局变量，追踪节点的x轴坐标plotTree.yOff = 1.0  # 设置全局变量，追踪节点的y轴坐标plotTree(intree, (0.5, 1.0), '')plt.show()# mytree = {'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}}
# createPlot(mytree)
# mytree = {'no surfacing': {1: {'flippers': {0: 'no', 1: 'yes'}}, 0: 'no'}}
# createPlot(mytree)import matplotlib.pyplot as plt# 定义文本框和箭头格式
decisionNode = dict(boxstyle='sawtooth', fc='0.8')
leafNode = dict(boxstyle='round4', fc='0.8')
arrow_args = dict(arrowstyle='<-')# 使用文本注解绘制树节点
def plotNode(nodeTxt, cencerPt, parentPt, nodeType):createPlot.axl.annotate(nodeTxt, xy=parentPt, xycoords='axes fraction',xytext=cencerPt, textcoords='axes fraction',va='center', ha='center', bbox=nodeType, arrowprops=arrow_args)# 第一版的createPlot()，之后还需要修改
# def createPlot():
#     fig = plt.figure(1, facecolor='white')
#     fig.clf()
#     createPlot.ax1 = plt.subplot(111, frameon=False)
#     plotNode('a decision  node', (0.5, 0.1), (0.1, 0.5), decisionNode)
#     plotNode('a leaf node', (0.8, 0.1), (0.3, 0.8), leafNode)
#     plt.show()
# createPlot()
# 报错'function' object has no attribute 'axl'，原因未知# 获取叶节点的数目
def getNumLeafs(mytree):numLeafs = 0firstStr = list(mytree.keys())[0]secondDict = mytree[firstStr]for key in secondDict.keys():if type(secondDict[key]).__name__=='dict':numLeafs += getNumLeafs(secondDict[key])else:numLeafs += 1return numLeafs# mytree = {'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}}
# print(getNumLeafs(mytree))# 获取决策树的层数
def getTreeDepth(mytree):maxDepth = 0firstStr = list(mytree.keys())[0]secondDict = mytree[firstStr]for key in secondDict.keys():if type(secondDict[key]).__name__ == 'dict':thisDepth = 1 + getTreeDepth(secondDict[key])else:thisDepth = 1if thisDepth > maxDepth:maxDepth = thisDepthreturn maxDepth# mytree = {'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}}
# print(getTreeDepth(mytree))# 在父子节点之间填充文本信息
def plotMidText(centerPt, parentPt, txtString):xMid = (parentPt[0] - centerPt[0]) / 2.0 + centerPt[0]yMid = (parentPt[1] - centerPt[1]) / 2.0 + centerPt[1]createPlot.axl.text(xMid, yMid, txtString)def plotTree(mytree, parentPt, nodeTxt):numLeafs = getNumLeafs(mytree)depth = getTreeDepth(mytree)firstSides = list(mytree.keys())firstStr = firstSides[0]  # 划分数据集的特征centerPt = (plotTree.xOff + (1.0 + float(numLeafs))/2.0/plotTree.totalW, plotTree.yOff)  # x轴右移，(1+叶节点数目)/(2*决策树宽度)，y轴不变plotMidText(centerPt, parentPt, nodeTxt)  # 绘制父子节点之间的文本标签（对于划分数据集的特征，其实没有文本标签）plotNode(firstStr, centerPt, parentPt, decisionNode)  # 绘制父节点与指向子节点的箭头secondDict = mytree[firstStr]  # 划分数据集特征的取值plotTree.yOff = plotTree.yOff - 1.0 / plotTree.totalD  # y轴下移，1/决策树深度for key in secondDict.keys():# 如果分支下还有子树，调用函数本身，递归完成该分支的绘制if type(secondDict[key]).__name__ == 'dict':plotTree(secondDict[key], centerPt, str(key))# 如果分支下没有子树，仅一种分类结果，绘制叶子节点，添加父子节点之间的文本标签else:plotTree.xOff = plotTree.xOff + 1.0 / plotTree.totalW  # x轴右移，1/(2*决策树宽度)plotNode(secondDict[key], (plotTree.xOff, plotTree.yOff), centerPt, leafNode)  # 绘制叶子节点plotMidText((plotTree.xOff, plotTree.yOff), centerPt, str(key))  # 添加父子节点之间的文本标签plotTree.yOff = plotTree.yOff + 1.0/plotTree.totalD # y轴上移，恢复初始值，确保另外一个分支父节点的位置正确def createPlot(intree):fig = plt.figure(1, facecolor='white')  # 创建一个新图形，前景色为白色fig.clf()  # 清空绘图区axprops = dict(xticks=[], yticks=[])  # 定义坐标轴（空白）createPlot.axl = plt.subplot(111, frameon=False, **axprops)  # 创建子图，无边框，无坐标值plotTree.totalW = float(getNumLeafs(intree))   # 设置全局变量，记录决策树的宽带plotTree.totalD = float(getTreeDepth(intree))  # 设置全局变量，记录决策树的深度plotTree.xOff = -0.5 / plotTree.totalW  # 设置全局变量，追踪节点的x轴坐标plotTree.yOff = 1.0  # 设置全局变量，追踪节点的y轴坐标plotTree(intree, (0.5, 1.0), '')plt.show()# mytree = {'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}}
# createPlot(mytree)
# mytree = {'no surfacing': {1: {'flippers': {0: 'no', 1: 'yes'}}, 0: 'no'}}
# createPlot(mytree)

机器学习实战——绘制决策树（代码）相关推荐

apriori算法代码_资源 | 《机器学习实战》及代码（基于Python3）
〇.<机器学习实战> 今天推荐给大家的是<机器学习实战>这本书. 机器学习作为人工智能研究领域中一个极其重要的研究方向(一文章看懂人工智能.机器学习和深度学习),在当下极其热门 ...
机器学习实战之决策树熵的概述
机器学习实战之决策树熵的概述一.决策树简介二.决策树的一般流程三.决策树构建的准备工作 1.特征选择 (1)香农熵 (2)编写代码计算经验熵 (3)信息增益 (4)编写代码计算信息增益 2.决策 ...
《机器学习实战》配套代码下载
<机器学习实战>配套代码资源下载网址:http://www.ituring.com.cn/book/1021(图灵社区),网址里有随书下载,可以下载配套资源.
机器学习实战支持向量机SVM 代码解析
机器学习实战支持向量机SVM 代码解析 <机器学习实战>用代码实现了算法,理解源代码更有助于我们掌握算法,但是比较适合有一定基础的小伙伴.svm这章代码看起来风轻云淡,实则对于新手来说有 ...
机器学习实战之决策树（一）构造决策树
决策树(一)构造决策树 1.简介 1.1 优缺点 1.2 流程 1.3 决策树的构造 1.4 海洋生物数据 2.信息增益 2.1 几个概念 2.2 计算给定数据集的熵 3 划分数据集 3.1 按照给定 ...
刻意练习：机器学习实战 -- Task01. 决策树
背景这是我们为拥有 Python 基础的同学推出的精进技能的"机器学习实战" 刻意练习活动,这也是我们本学期推出的第三次活动了. 我们准备利用8周时间,夯实机器学习常用算法,完成 ...
《机器学习实战》—— 决策树
目录一.决策树的构造 1. 信息增益 2. 划分数据集 3. 递归构建决策树二.在 Python 中使用 Matplotlib 注解绘制树形图 1. Matplotlib 2. 构造注解树三.测 ...
《机器学习实战》——决策树
一决策树决策树是什么?决策树(decision tree)是一种基本的分类与回归方法.举个通俗易懂的例子,如下图所示的流程图就是一个决策树,长方形代表判断模块(decision block),椭圆 ...
机器学习实战之决策树
你是否玩过二十个问题的游戏,游戏的规则很简单:参与游戏的一方在脑海里想某个事物,其他参与者向他提问题,只允许提20个问题,问题的答案也只能用对或错回答.问问题的人通过推断分解,逐步缩小待猜测事物的范 ...

机器学习实战——绘制决策树（代码）

机器学习实战——绘制决策树（代码）相关推荐

最新文章

热门文章