Day 18 决策树

今天我们要介绍的是决策树，所谓的决策树简单来说就是将一项东西去做分类，比如说下雨的机率，而会下雨可能是因为大气中的湿度大气压力，那将资料丢进去分析会不会下雨时就会将其分类，湿度大於多少会下雨小於多少不会下雨，大气压力多少会下雨多少不会下雨。

决策树

我们将用iris的资料集去做简单的分析。

import pandas as pd 
import numpy as np 
import matplotlib.pyplot as plt 
import seaborn as sns 
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn import tree

首先我们先将需要用到的套件载入。

pip3 install 套件名称

如果有缺少的套件则可以在终端机上下载缺少的套件。

data = datasets.load_iris()
x = pd.DataFrame(data['data'],columns = data["feature_names"])
print(x)
y = pd.DataFrame(data["target"],columns = ["tar"])
print(y)
data_iris = pd.concat([x,y], axis = 1)
print(data_iris)
data_iris = data_iris[["sepal length (cm)","petal length (cm)","tar"]]
print(data_iris)
data_iris = data_iris[data_iris['tar'].isin([0,1])]
print(data_iris)

接下来我们将iris资料集载入，并将资料合并。

X_train, X_test, Y_train, Y_test = train_test_split(data_iris[["sepal length (cm)","petal length (cm)"]],data_iris["tar"], random_state=0)

接下来我们将资料分成测试与训练集。

tre = DecisionTreeClassifier(max_depth = 2, random_state = 0 )
tre.fit(X_train , Y_train)  

接下来我们训练决策树的模型。

tree.plot_tree(tre)

接下来我们将决策树视觉化。

以上就是简易的决策树做法，明天我们将介绍随机森林。