如何用Sklearn画一棵决策树

决策树在sklearn中的实现

小伙伴们大家好~o( ̄▽ ̄)ブ,首先声明一下,我的开发环境是Jupyter lab,所用的库和版本大家参考:

Python 3.7.1(你的版本至少要3.4以上)

Scikit-learn 0.20.0 (你的版本至少要0.20)

Graphviz 0.8.4 (没有画不出决策树哦,安装代码conda install python-graphviz)

Numpy 1.15.3, Pandas 0.23.4, Matplotlib 3.0.1, SciPy 1.1.0

用SKlearn 建立一棵决策树

这里采用的数据集是SKlearn中的红酒数据集。

1 导入需要的算法库和模块

from sklearn import tree                                 #导入tree模块
from sklearn.datasets import load_wine                   #导入红酒数据集
from sklearn.model_selection import train_test_split     #导入训练集和测试集切分包

2 探索数据

wine = load_wine()  
wine.data
wine.data.shape
wine.target
wine.target.shape

运行的结果是这样子的:
如何用Sklearn画一棵决策树_第1张图片

data就是该数据集的特征矩阵,从运行结果可以看出,该红酒数据集一共有178条记录,13个特征。

如何用Sklearn画一棵决策树_第2张图片

特征矩阵中有178条记录,相对应的标签Y就有178个数据。

如果wine是一张表,应该长这样:

import pandas as pd
pd.concat([pd.DataFrame(wine.data),pd.DataFrame(wine.target)],axis=1)

如何用Sklearn画一棵决策树_第3张图片

这是数据集特征列名和标签分类

wine.feature_names
wine.target_names

如何用Sklearn画一棵决策树_第4张图片

3 分训练集和测试集

这里选取30%作为测试集。切分好之后,训练集有124条数据,测试集有54条数据。

Xtrain, Xtest, Ytrain, Ytest = train_test_split(wine.data,wine.target,test_size=0.3)
Xtrain.shape
Xtest.shape

如何用Sklearn画一棵决策树_第5张图片

4 建立模型

clf = tree.DecisionTreeClassifier(criterion="entropy") #初始化树模型
clf = clf.fit(Xtrain, Ytrain)                          #实例化训练集
score = clf.score(Xtest, Ytest)                        #返回预测的准确度

score

如何用Sklearn画一棵决策树_第6张图片

5 画出一棵树吧

feature_name = ['酒精','苹果酸','灰','灰的碱性','镁','总酚','类黄酮','非黄烷类酚类','花青素','颜色强度','色调','od280/od315稀释葡萄酒','脯氨酸']

import graphviz
dot_data = tree.export_graphviz(clf
                                ,out_file=None
                                ,feature_names= feature_name
                                ,class_names=["琴酒","雪莉","贝尔摩德"]
                                ,filled=True
                                ,rounded=True
                               )
graph = graphviz.Source(dot_data)
graph

如何用Sklearn画一棵决策树_第7张图片

6 探索决策树

#特征重要性
clf.feature_importances_

[*zip(feature_name,clf.feature_importances_)]

如何用Sklearn画一棵决策树_第8张图片

到现在为止,我们已经学会建立一棵完整的决策树了。有兴趣的话,动手建立一棵属于自己的决策树吧~

你可能感兴趣的:(数据科学,机器学习)