場(chǎng)景識(shí)別數(shù)據(jù)決策樹分類

數(shù)據(jù)挖掘技術(shù)與應(yīng)用場(chǎng)景識(shí)別數(shù)據(jù)決策樹分類實(shí)訓(xùn)實(shí)訓(xùn)目標(biāo)理解決策樹算法的核心步驟。利用Python實(shí)現(xiàn)算法應(yīng)用，提升編程技能。通過數(shù)據(jù)集的部分樣本訓(xùn)練構(gòu)造決策樹模型。調(diào)用構(gòu)建好的決策樹模型對(duì)測(cè)試集樣本進(jìn)行預(yù)測(cè)，并求出測(cè)試精度。實(shí)訓(xùn)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(shí)訓(xùn)數(shù)據(jù)場(chǎng)景識(shí)別數(shù)據(jù)集-包含有關(guān)圖像及其類的特征。原始數(shù)據(jù)集是一個(gè)具有6種不同標(biāo)簽的多標(biāo)簽分類問題：{海灘，日落，秋天樹葉，田野，山地，城市}。當(dāng)前的數(shù)據(jù)集是僅考慮“城市”標(biāo)簽的二進(jìn)制分類問題。實(shí)訓(xùn)內(nèi)容導(dǎo)入必要的庫。導(dǎo)入數(shù)據(jù)集。獲取特征值。獲取標(biāo)簽。隨機(jī)劃分訓(xùn)練集和測(cè)試集創(chuàng)建模型對(duì)測(cè)試集進(jìn)行預(yù)測(cè)并將結(jié)果與label進(jìn)行對(duì)比，計(jì)算準(zhǔn)確度場(chǎng)景識(shí)別數(shù)據(jù)決策樹分類實(shí)現(xiàn)代碼導(dǎo)入數(shù)據(jù)包fromsklearn.model_selectionimporttrain_test_split,cross_val_scorefromsklearn.treeimportDecisionTreeClassifierimportnumpyasnpimportpandasaspd數(shù)據(jù)說明場(chǎng)景識(shí)別數(shù)據(jù)集-包含有關(guān)圖像及其類的特征。原始數(shù)據(jù)集是一個(gè)具有6種不同標(biāo)簽的多標(biāo)簽分類問題：{海灘，日落，秋天樹葉，田野，山地，城市}。當(dāng)前的數(shù)據(jù)集是僅考慮“城市”標(biāo)簽的二進(jìn)制分類問題。導(dǎo)入數(shù)據(jù)集df=pd.read_csv(r'data\scene.csv')獲取特征值X=df.iloc[:,0:293]獲取標(biāo)簽Y=df.iloc[:,294]隨機(jī)劃分訓(xùn)練集和測(cè)試集X_train,X_test,y_train,y_test=train_test_split(X,Y,test_size=0.2,random_state=6)創(chuàng)建模型model=DecisionTreeClassifier(random_state=5).fit(X_train,y_train)對(duì)測(cè)試集進(jìn)行預(yù)測(cè)pre=model.predict(X_test)并將結(jié)果與label進(jìn)行對(duì)比，計(jì)算準(zhǔn)確度print("準(zhǔn)確度為：{:.3f}".format(np.mean(pre==y_test)))print(