怎么做网站的百度权重,阿里云做电影网站,wordpress公众号采集,网站报价预算书1.前言
在上一篇文章《从零入手人工智能#xff08;4#xff09;—— 逻辑回归》中讲述了逻辑回归这个分类算法#xff0c;今天我们的主角是决策树。决策树和逻辑回归这两种算法都属于分类算法#xff0c;以下是决策树和逻辑回归的相同点#xff1a;
分类任务#xff1…1.前言
在上一篇文章《从零入手人工智能4—— 逻辑回归》中讲述了逻辑回归这个分类算法今天我们的主角是决策树。决策树和逻辑回归这两种算法都属于分类算法以下是决策树和逻辑回归的相同点
分类任务两者都是用于分类任务的算法。无论是决策树还是逻辑回归它们的目标都是根据输入的特征或变量来预测样本的类别。这两种算法都接受一组特征作为输入并输出一个类别标签。
预测类别它们都可以预测样本属于哪个类别。无论是二分类问题还是多分类问题决策树和逻辑回归都能够进行建模和预测。
处理特征两者都可以处理多种类型的特征包括数值型特征和类别型特征。
模型评估两者都可以使用相同的评估指标来评估模型的性能如准确率、召回率、F1分数、AUC-ROC等。 虽然决策树和逻辑回归有上述相同点但它在仍然存在差异。决策树和逻辑回归最大的差异在于它们的模型算法原理不同决策树基于树形结构进行决策通过一系列规则对数据进行分类。而逻辑回归使用逻辑函数如sigmoid函数对输入特征进行建模将线性模型的输出转换为概率值然后根据概率值判断样本所属的类别。 由于决策树和逻辑回归有着诸多相似之处所以本文就不额外过多的讲解直接通过一个入门程序和一个进阶实战程序展示决策树。
2.入门程序
入门程序利用make_classification方法自动生成一组X和Y其中X有4个特征。使用DecisionTreeClassifier方法建立一个决策树模型训练模型后提取模型特征最后使用 plot_tree 函数可视化决策树的结构。 程序如下
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_classification
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split # 生成分类数据集
X, y make_classification(n_samples1000, n_features4, n_informative2, n_redundant0, random_state0, shuffleFalse) # 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42) # 创建决策树分类器
clf DecisionTreeClassifier(random_state42) # 训练模型
clf.fit(X_train, y_train) # 获取特征重要性
importances clf.feature_importances_
indices np.argsort(importances)[::-1] # 打印特征排名
print(Feature ranking:) for f in range(X.shape[1]): print(%d. feature %d (%f) % (f 1, indices[f], importances[indices[f]])) # 绘制特征重要性
plt.figure()
plt.title(Feature importances)
plt.bar(range(X.shape[1]), importances[indices], aligncenter)
plt.xticks(range(X.shape[1]), [fFeature {i1} for i in indices])
plt.xlim([-1, X.shape[1]])
plt.show() # 使用 plot_tree 函数可视化决策树的结构
fig, axes plt.subplots(nrows1, ncols1, figsize(14, 10), dpi80)
plot_tree(clf, feature_names[feature_{}.format(i) for i in range(X.shape[1])], class_names[class_0, class_1], filledTrue, roundedTrue, axaxes)
plt.show()程序运行结果如下
3.进阶实战
本实战程序的目的是根据气象环境数据预测是否会下雨。利用数据表macau_weather.csv中的数据进行训练和测试。 希望获取源码和测试数据的朋友请在评论区留言
step1
读取macau_weather.csv中的数据并可视化数据根据可视化结果可知数据表中有以下数 num、date、air_pressure、high_tem、aver_tem、low_tem、 humidity、sunlight_time 、wind_direction、wind_speed、rain_accum 其中rain_accum为目标值标签有雨、无雨以下七个数据为特征变量 air_pressure、high_tem、aver_tem、low_tem 、humidity、sunlight_time 、wind_direction、wind_speed step2
数据表中的一共有426组数据来源于426天的气象数据记录检查每组数据是否完整根据检查结果可知有0.7%的数据存在空缺
step3
将数据表中的rain_accum转换成1和00代表无雨1代表有雨。
step4
使用DecisionTreeClassifier方法建立决策树模型利用训练集数据训练模型。
step5
利用模型和测试集数据测试模型准确性并可视化结果根据可视化图标可知模型预测的准确性达到了87.1%。 希望获取源码和测试数据的朋友请在评论区留言
创作不易希望朋友们点赞转发评论关注! 您的点赞转发评论关注将是我持续更新的动力! CSDNhttps://blog.csdn.net/li_man_man_man 今日头条https://www.toutiao.com/article/7149576260891443724
