Reuter数据决策树分类_第1页
Reuter数据决策树分类_第2页
Reuter数据决策树分类_第3页
Reuter数据决策树分类_第4页
Reuter数据决策树分类_第5页
已阅读5页，还剩13页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

数据挖掘技术与应用Reuter数据决策树分类实训实训目标理解决策树算法的核心步骤。利用Python实现算法应用，提升编程技能。通过数据集的部分样本训练构造决策树模型。调用构建好的决策树模型对测试集样本进行预测，并求出测试精度。实训环境使用3.6版本的Python。使用jupyternotebook或PyCharm2018社区版作为代码编辑器。numpy、pandas、sklearn实训数据路透社数据集的子集包括2000个用于文本分类的观察值实训内容导入必要的库。导入数据集。获取特征值。获取标签并对数据进行编码。随机划分训练集和测试集创建模型对测试集进行预测并将结果与label进行对比，计算准确度Reuter数据决策树分类实现代码导入数据包fromsklearn.model_selectionimporttrain_test_split,cross_val_scorefromsklearn.treeimportDecisionTreeClassifierimportnumpyasnpfromsklearn.preprocessingimportLabelEncoderimportpandasaspd数据说明：路透社数据集的子集包括2000个用于文本分类的观察值导入数据集df=pd.read_csv(r'data\reuters.csv')获取特征值X=df.iloc[:,0:242]获取标签Y=df.iloc[:,243]对数据进行编码labelencoder=LabelEncoder()Y=labelencoder.fit_transform(Y)随机划分训练集和测试集X_train,X_test,y_train,y_test=train_test_split(X,Y,random_state=0)创建模型model=DecisionTreeClassifier(random_state=5).fit(X_train,y_train)对测试集进行预测pre=model.predict(X_test)并将结果与label进行对比，计算准确度print("准确度为：{:.3f}".format(np.mean(pre==y_test)))print(

人人文库> 全部分类> 教育资料 > 辅导培训

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论