Reuter數(shù)據(jù)決策樹分類_第1頁
Reuter數(shù)據(jù)決策樹分類_第2頁
Reuter數(shù)據(jù)決策樹分類_第3頁
Reuter數(shù)據(jù)決策樹分類_第4頁
Reuter數(shù)據(jù)決策樹分類_第5頁
已閱讀5頁，還剩13頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

數(shù)據(jù)挖掘技術與應用Reuter數(shù)據(jù)決策樹分類實訓實訓目標理解決策樹算法的核心步驟。利用Python實現(xiàn)算法應用，提升編程技能。通過數(shù)據(jù)集的部分樣本訓練構造決策樹模型。調用構建好的決策樹模型對測試集樣本進行預測，并求出測試精度。實訓環(huán)境使用3.6版本的Python。使用jupyternotebook或PyCharm2018社區(qū)版作為代碼編輯器。numpy、pandas、sklearn實訓數(shù)據(jù)路透社數(shù)據(jù)集的子集包括2000個用于文本分類的觀察值實訓內容導入必要的庫。導入數(shù)據(jù)集。獲取特征值。獲取標簽并對數(shù)據(jù)進行編碼。隨機劃分訓練集和測試集創(chuàng)建模型對測試集進行預測并將結果與label進行對比，計算準確度Reuter數(shù)據(jù)決策樹分類實現(xiàn)代碼導入數(shù)據(jù)包fromsklearn.model_selectionimporttrain_test_split,cross_val_scorefromsklearn.treeimportDecisionTreeClassifierimportnumpyasnpfromsklearn.preprocessingimportLabelEncoderimportpandasaspd數(shù)據(jù)說明：路透社數(shù)據(jù)集的子集包括2000個用于文本分類的觀察值導入數(shù)據(jù)集df=pd.read_csv(r'data\reuters.csv')獲取特征值X=df.iloc[:,0:242]獲取標簽Y=df.iloc[:,243]對數(shù)據(jù)進行編碼labelencoder=LabelEncoder()Y=labelencoder.fit_transform(Y)隨機劃分訓練集和測試集X_train,X_test,y_train,y_test=train_test_split(X,Y,random_state=0)創(chuàng)建模型model=DecisionTreeClassifier(random_state=5).fit(X_train,y_train)對測試集進行預測pre=model.predict(X_test)并將結果與label進行對比，計算準確度print("準確度為：{:.3f}".format(np.mean(pre==y_test)))print(

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論