首页 > 分享 > 鸢尾花分类与随机森林实现

鸢尾花分类与随机森林实现

花匠小妙招
2024-12-21 04:25

1.描述

鸢尾花判断

2.代码

1.Iris_DecisionTree.py

#!/usr/bin/python # -*- coding:utf-8 -*- import numpy as np import matplotlib.pyplot as plt import matplotlib as mpl from sklearn import tree from sklearn.tree import DecisionTreeClassifier from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.pipeline import Pipeline def iris_type(s): it = { 'Iris-setosa': 0, 'Iris-versicolor': 1, 'Iris-virginica': 2} return it[s] # 花萼长度、花萼宽度，花瓣长度，花瓣宽度 # iris_feature = 'sepal length', 'sepal width', 'petal length', 'petal width' iris_feature = u'花萼长度', u'花萼宽度', u'花瓣长度', u'花瓣宽度' if __name__ == "__main__": mpl.rcParams['font.sans-serif'] = [u'SimHei'] mpl.rcParams['axes.unicode_minus'] = False path = '..\8.Regression\8.iris.data' # 数据文件路径 data = np.loadtxt(path, dtype=float, delimiter=',', converters={ 4: iris_type}) x, y = np.split(data, (4,), axis=1) # 为了可视化，仅使用前两列特征 x = x[:, :2] #取前两列 x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=1) # 测试集选30% #ss = StandardScaler() #ss = ss.fit(x_train) # 决策树参数估计 # min_samples_split = 10：如果该结点包含的样本数目大于10，则(有可能)对其分支 # min_samples_leaf = 10：若将某结点分支后，得到的每个子结点样本数目都大于10，则完成分支；否则，不进行分支 model = Pipeline([ #管道：使过程更加完成明显 ('ss', StandardScaler()), #先进行标准化，保证均值0，方差1，提高效果 ('DTC', DecisionTreeClassifier(criterion='entropy', max_depth=3))]) #最大深度 # clf = DecisionTreeClassifier(criterion='entropy', max_depth=3) model = model.fit(x_train, y_train) # 进行训练 y_test_hat = model.predict(x_test) # 测试数据 # 保存 # dot -Tpng -o 1.png 1.dot f = open('.\iris_tree.dot', 'w') tree.export_graphviz(model.get_params('DTC')['DTC'], out_file=f) #输出到图形可视化 # 画图 N, M = 100, 100 # 横纵各采样多少个值 x1_min, x1_max = x[:, 0].min(), x[:, 0].max() # 第0列的范围 x2_min, x2_max = x[:, 1].min(), x[:, 1].max() # 第1列的范围 t1 = np.linspace(x1_min, x1_max, N) #第0列取了100个值 t2 = np.linspace(x2_min, x2_max, M) # 第1列取了100个值 x1, x2 = np.meshgrid(t1, t2) # 生成网格采样点，t1t2拼到一起 x_show = np.stack((x1.flat, x2.flat), axis=1) # 测试点，把里面每个数据都写成一列，然后合起来 # # 无意义，只是为了凑另外两个维度 # # 打开该注释前，确保注释掉x = x[:, :2] # x3 = np.ones(x1.size) * np.average(x[:, 2]) # x4 = np.ones(x1.size) * np.average(x[:, 3]) # x_test = np.stack((x1.flat, x2.flat, x3, x4), axis=1) # 测试点 cm_light = mpl.colors.ListedColormap(['#A0FFA0', '#FFA0A0', '#A0A0FF']) # 制作浅色的图例 cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b']) # 制作深色的图例 y_show_hat = model.predict(x_show) # 预测值，现在仍然是一个向量 y_show_hat = y_show_hat.reshape(x1.shape) # 使之与输入的形状相同reshape plt.figure(facecolor='w') # 设置底，w白色，k黑色，默认灰色 plt.pcolormesh(x1, x2, y_show_hat, cmap=cm_light) # 预测值的显示，背景块 plt.scatter(x_test[:, 0], x_test[:, 1], c=y_test.ravel(), edgecolors='k', s=100, cmap=cm_dark, marker='o')

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172