机器学习决策树算法学习笔记

# 删除掏出过的标签，避免反复计算

del(labels[bestFeat])

featValues = [example[bestFeat] for example in dataSet]

# 应用set去重

uniqueVals = set(featValues)

for value in uniqueVals:

# 复制所有的子标签，因为是引用类型，以避免改变原始标签数据

subLabels = labels[:]

# 递归的构建树

myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value),subLabels)

return myTree

应用决定计划树分类

def classify(inputTree,featLabels,testVec):   
    firstStr = inputTree.keys()[0] 
    secondDict = inputTree[firstStr] 
    featIndex = featLabels.index(firstStr) 
    # print 'featIndex %s' % (featIndex) 
    key = testVec[featIndex] 
    # print 'key %s' % (key) 
    valueOfFeat = secondDict[key] 
    if isinstance(valueOfFeat, dict):  
        classLabel = classify(valueOfFeat, featLabels, testVec) 
    else: classLabel = valueOfFeat 
    return classLabel 
 
dataSet, labels = createDataSet()   
mytree = createTree(dataSet, labels[:]) #因为内部会删除labels里的值所以用如许copy一份   
print mytree   
# {'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}} 
print classify(mytree, labels, [0,1])   
no

决定计划树的存储

机械进修决定计划树算法进修标记

构造决定计划树是耗时的义务，即使处理很小的数据集。所以我们可以应用构造好的决定计划树。

长处

计算复杂度不高
输出结不雅易于懂得
对中心值缺掉不敏感
可以处理不相干特侦

机械进修决定计划树算法进修标记

4/5 首页上一页 2 3 4 5 下一页尾页

　　推荐阅读

　　用gdb分析coredump的一些技巧

前几天我们正在运营的一款产品产生了崩溃，我花了两天测验测验用 gdb 分析了 coredump ，固然最后照样没能找到 bug ，但照样认为应当做一些总结。产品是基于 skynet 开辟的，因为汗青原因>>>详细阅读

本文标题：机器学习决策树算法学习笔记

地址：http://www.17bianji.com/lsqh/35136.html

1/2 1