◆ Pycharm如何生成决策树？

Ⅰ.决策树基本步骤

以下代码在jupyter中可以直接生成，但是在Pyharm中生成的结果是用文字形式表示的树模型。

"""决策树：决策树是一种非参数的有监督学习，可以从一系列有特征和标签的数据中总结出决策规则，并用树状图来展示出这些规则，解决分类和回归的问题。决策树的本质是一种图结构
"""
import pandas  as  pd
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier# 获取数据集
wine_data = load_wine()
x = pd.DataFrame(wine_data.data)
y = wine_data.target
feature = wine_data.feature_names
x.columns = feature# 划分测试集、训练集
xtrain,xtest,ytrain,ytest = train_test_split(x,y,test_size=0.3,random_state=420)# 建模
clf = DecisionTreeClassifier(criterion="entropy").fit(xtrain,ytrain)
# 返回预测的准确度 accuracy
score = clf.score(xtest,ytest)  # 0.9629629629629629# 绘制树
feature_name = ['酒精','苹果酸','灰','灰的碱性','镁','总酚','类黄酮','非黄烷类酚类','花青素','颜
色强度','色调','od280/od315稀释葡萄酒','脯氨酸']
import graphviz
dot_data = tree.export_graphviz(clf,feature_names= feature_name,class_names=["琴酒","雪莉","贝尔摩德"],filled=True,rounded=True)
graph = graphviz.Source(dot_data)
print(graph)

digraph Tree {node [shape=box, style="filled, rounded", color="black", fontname=helvetica] ;
edge [fontname=helvetica] ;
0 [label="类黄酮 <= 1.575\nentropy = 1.557\nsamples = 124\nvalue = [34, 53, 37]\nclass = 雪莉", fillcolor="#dbfae8"] ;
1 [label="色调 <= 0.92\nentropy = 0.747\nsamples = 47\nvalue = [0, 10, 37]\nclass = 贝尔摩德", fillcolor="#a36fec"] ;
0 -> 1 [labeldistance=2.5, labelangle=45, headlabel="True"] ;
2 [label="entropy = 0.0\nsamples = 36\nvalue = [0, 0, 36]\nclass = 贝尔摩德", fillcolor="#8139e5"] ;
1 -> 2 ;
3 [label="酒精 <= 13.515\nentropy = 0.439\nsamples = 11\nvalue = [0, 10, 1]\nclass = 雪莉", fillcolor="#4de88e"] ;
1 -> 3 ;
4 [label="entropy = 0.0\nsamples = 10\nvalue = [0, 10, 0]\nclass = 雪莉", fillcolor="#39e581"] ;
3 -> 4 ;
5 [label="entropy = 0.0\nsamples = 1\nvalue = [0, 0, 1]\nclass = 贝尔摩德", fillcolor="#8139e5"] ;
3 -> 5 ;
6 [label="酒精 <= 12.785\nentropy = 0.99\nsamples = 77\nvalue = [34, 43, 0]\nclass = 雪莉", fillcolor="#d6fae5"] ;
0 -> 6 [labeldistance=2.5, labelangle=-45, headlabel="False"] ;
7 [label="entropy = 0.0\nsamples = 38\nvalue = [0, 38, 0]\nclass = 雪莉", fillcolor="#39e581"] ;
6 -> 7 ;
8 [label="脯氨酸 <= 655.0\nentropy = 0.552\nsamples = 39\nvalue = [34, 5, 0]\nclass = 琴酒", fillcolor="#e99456"] ;
6 -> 8 ;
9 [label="entropy = 0.0\nsamples = 4\nvalue = [0, 4, 0]\nclass = 雪莉", fillcolor="#39e581"] ;
8 -> 9 ;
10 [label="色调 <= 1.295\nentropy = 0.187\nsamples = 35\nvalue = [34, 1, 0]\nclass = 琴酒", fillcolor="#e6853f"] ;
8 -> 10 ;
11 [label="entropy = 0.0\nsamples = 34\nvalue = [34, 0, 0]\nclass = 琴酒", fillcolor="#e58139"] ;
10 -> 11 ;
12 [label="entropy = 0.0\nsamples = 1\nvalue = [0, 1, 0]\nclass = 雪莉", fillcolor="#39e581"] ;
10 -> 12 ;
}

Ⅱ.实现生成决策树图

# 绘制树
import pydotplus
from sklearn import tree
from IPython.display import Imagefeature_name = ['酒精','苹果酸','灰','灰的碱性','镁','总酚','类黄酮','非黄烷类酚类','花青素','颜色强度','色调','od280/od315稀释葡萄酒','脯氨酸']
dot_tree = tree.export_graphviz(clf   # 构建的决策树模型,feature_names= feature_name  # 特征名,class_names=["琴酒","雪莉","贝尔摩德"]  # 分出的类名 --- 酒名,filled=True,rounded=True)
graph = pydotplus.graph_from_dot_data(dot_tree)
img = Image(graph.create_png())
graph.write_png("G:\Projects\pycharmeProject\Python_Sklearn\决策树\picture\wine.png")

通过网上查找，找到了如上的解决方案。但是运行时报错：InvocationException: GraphViz's executables not found。

返回顶部

Ⅲ.InvocationException: GraphViz’s executables not found 解决方案

下载安装GraphViz（这是一个独立软件）
https://graphviz.gitlab.io/_pages/Download/Download_windows.html

下载完后解压缩后，进行安装，安装过程中选择添加至环境变量中。
不过我手工在环境变量中添加了bin路径不行，还是运行下边这个语句好。

import os
os.environ["PATH"] += os.pathsep + r'F:\Graphviz\bin'

然后在进行图像保存的时候，最好指明图片保存路径方便查找。

graph.write_png("G:\Projects\pycharmeProject\Python_Sklearn\决策树\picture\wine.png")

返回顶部

◆ 生成的决策树中文乱码问题

通过上述步骤后，可以生成树模型图。但是由于本人在设置名称时用的是中文，问题又来了，最后显示的图片中中文乱码。

with open('G:\Projects\pycharmeProject\Python_Sklearn\决策树\picture\dot_data.txt', 'w',encoding='utf-8') as f:  ##将生成树写入，因为含有中文，所以encoding='utf-8'f.writelines(dot_tree)import codecs
txt_dir = r'G:\Projects\pycharmeProject\Python_Sklearn\决策树\picture\dot_data.txt'
txt_dir_utf8 = r'G:\Projects\pycharmeProject\Python_Sklearn\决策树\picture\dot_data_utf8.txt'with codecs.open(txt_dir, 'r', encoding='utf-8') as f, codecs.open(txt_dir_utf8, 'w', encoding='utf-8') as wf:for line in f:lines = line.strip().split('\t')print(lines)if 'label' in lines[0]:newline = lines[0].replace('\n', '').replace(' ', '')else:newline = lines[0].replace('\n','').replace('SimSun-ExtB', 'Microsoft YaHei')wf.write(newline + '\t')

参见大佬博文~

返回顶部

【skLearn】Pycharm生成决策树系列相关推荐

大白话5分钟带你走进人工智能-第二十六节决策树系列之Cart回归树及其参数(5)...
第二十六节决策树系列之Cart回归树及其参数(5) 上一节我们讲了不同的决策树对应的计算纯度的计算方法, ...
《菜菜的机器学习sklearn课堂》sklearn入门与决策树
决策树 sklearn简介决策树 - 概述决策树是如何工作的 sklearn中的决策树分类树 DecisionTreeClassifier 重要参数 criterion 建立一颗树(只有一个参数 ...
gini系数决策树_决策树系列--ID3、C4.5、CART
决策树系列,涉及很好算法,接下来的几天内,我会逐步讲解决策树系列算法 1.基本概念首先我们理解什么是熵:熵的概念最早源于物理学,用于度量一个热力学系统的无序程度.在信息论里面,信息熵是衡量信息量的大 ...
大白话5分钟带你走进人工智能-第二十四节决策树系列之分裂流程和Gini系数评估(3)...
第二十四节决策树系列之分裂流程和Gini系数评估(3) 上一节中我们讲解了决策树的数学表达形式,本节的话我们讲解决策树的分裂流程以及分裂条件的评估.我们基于决策树的递归表达式上: ...
sklearn分类算法-决策树、随机森林
sklearn分类算法-决策树.随机森林一.决策树 1.概念决策树思想的来源非常朴素,程序设计中的条件分支结构就是if-then结构,最早的决策树就是利用这类结构分割数据的一种分类学习方法比如: ...
sklearn机器学习：决策树tree.DecisionTreeClassifier()
sklearn中的决策树分类器 sklearn中的决策树分类器函数,格式如下: sklearn.tree.DecisionTreeClassifier(criterion='gini', splitt ...
sklearn中的决策树（分类）
本文在我的知乎上同步更新:sklearn中的决策树(分类) - 知乎 Sklearn库有很多机器学习模型,不同的模型有着不同的特点,针对不同的问题,选取对应的模型,可以很好地解决问题.树模型作为经典的 ...
sklearn中的决策树（回归）
本文在我的知乎上同步分享:sklearn中的决策树(分类) - 知乎前面提到,sklearn中的tree模组有DecisionTreeClassifier与DecisionTreeRegressor ...
【sklearn入门】决策树在sklearn中的实现--实战红酒分类案例
scikit-learn简介 scikit-learn,又写作sklearn,是一个开源的基于python语言的机器学习工具包.它通过NumPy, SciPy和 Matplotlib等python数值 ...

【skLearn】Pycharm生成决策树系列

文章目录

◆ Pycharm如何生成决策树？

Ⅰ.决策树基本步骤

Ⅱ.实现生成决策树图

Ⅲ.InvocationException: GraphViz’s executables not found 解决方案

◆ 生成的决策树中文乱码问题

【skLearn】Pycharm生成决策树系列相关推荐

最新文章

热门文章