机器学习-04-分类算法-01决策树案例

发布于

总结

本系列是机器学习课程的系列课程，主要介绍机器学习中分类算法，本篇为分类算法开篇与决策树部分。

本门课程的目标

完成一个特定行业的算法应用全过程：

懂业务+会选择合适的算法+数据处理+算法训练+算法调优+算法融合 +算法评估+持续调优+工程化接口实现

机器学习案例

安装可视化库Graphviz

graphviz下载地址

下载后，解压，移动路径如下

代码语言：javascript
复制
D:\Graphviz-10.0.1-win64\bin

添加环境变量：

代码语言：javascript
复制
D:\Graphviz-10.0.1-win64\bin

安装graphviz的python库

代码语言：javascript
复制
pip install graphviz==0.20.1
决策树代码

核心类：

代码语言：javascript
复制
sklearn.tree.DecisionTreeClassifier(
	criterion=’entropy’, 
	max_depth=None, 
	min_samples_split=2, 
	min_samples_leaf=1, 
	min_weight_fraction_leaf=0.0, 
	random_state=None, 
	max_leaf_nodes=None, 
	)

参考: https://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html#sklearn.tree.DecisionTreeClassifier

完整代码：

代码语言：javascript
复制
#引入load_iris
from sklearn.datasets import load_iris
#引入tree
from sklearn import tree
#用于画出图形
import graphviz 
#在window设置graphviz的路径
import os
os.environ["PATH"] += os.pathsep + 'D:\Graphviz-10.0.1-win64\bin'

#加载数据

iris = load_iris()

#创建决策树分类器

clf = tree.DecisionTreeClassifier()

#训练

clf = clf.fit(iris.data, iris.target)


print(iris.data[0:5])

输出为：
array([[5.1, 3.5, 1.4, 0.2],
[4.9, 3. , 1.4, 0.2],
[4.7, 3.2, 1.3, 0.2],
[4.6, 3.1, 1.5, 0.2],
[5. , 3.6, 1.4, 0.2]

代码语言：javascript
复制
import joblib

joblib.dump(clf,'tree.pkl')

tree = joblib.load('tree.pkl')

tree.predict([[5.1, 3.5, 1.4, 0.2]])

输出为：
array([0])

代码语言：javascript
复制
#通过graphviz将模型保存

dot_data = tree.export_graphviz(clf, out_file=None,filled=True, rounded=True,

special_characters=True)

#设置graphviz的数据源

graph = graphviz.Source(dot_data)

#显示图片

#graph.save()

graph

输出为：

确定方向过程

针对完全没有基础的同学们 1.确定机器学习的应用领域有哪些 2.查找机器学习的算法应用有哪些 3.确定想要研究的领域极其对应的算法 4.通过招聘网站和论文等确定具体的技术 5.了解业务流程，查找数据 6.复现经典算法 7.持续优化，并尝试与对应企业人员沟通心得 8.企业给出反馈

#机器学习#企业#决策树#分类算法#算法