AI-统计学习（8）-决策树模型-python-实例源码_x_train, y_train pd.dataframe初始化

决策树是种可视化的模型，可做分类也可做回归。

概念内容详看前章，本文讲如何python 实现。

回顾一下

比如我知道一组人的信息：年龄、是否有工作、是否有房贷…这叫特征值，现在再来一些人，这时我想能否贷款给他。我该怎么做呢，就可以用决策树模型实现。左边是数据，右边是树。当然这棵树没有把全部的特征向量放进去只是示意了一下。

 

    

         图1

---

程序过程：

  1.输入训练集

  2.转换成tree训练

  3.输入新样本实例，预测输出

 

树类：

  1.初始化

  2.计算经验熵

  3.计算条件熵

  4.计算信息增益

  5.计算信息增益比

  6.选择特征分类

  7.递归构造决策树

  8.剪枝

节点类：

---

  1.输入训练集

 features=["age","work","house","credit"]
    X_train=pd.DataFrame()
    y_train = pd.DataFrame()
    # 数据预处理
    le_x=preprocessing.LabelEncoder()
    le_x.fit(np.unique(X_train))
    X_train=X_train.apply(le_x.transform)
    print(X_train)
    le_y=preprocessing.LabelEncoder()
    le_y.fit(np.unique(y_train))
    y_train=y_train.apply(le_y.transform)

  2.转换成tree训练

 clf=DecisionTreeClassifier()
 clf.fit(X_train,y_train)

  3.输入新样本实例，预测输出

 X_new=pd.DataFrame([["青年", "否", "是", "一般"]])
    X=X_new.apply(le_x.transform)
    y_predict=clf.predict(X)
    # 结果输出
    X_show=[{features[i]:X_new.values[0][i]} for i in range(len(features))]