python中决策树,python决策树结果怎么看

  python中决策树,python决策树结果怎么看

  本文主要介绍python决策树预测学生成绩。可以用来预测学生的成绩。可以选择部分或全部特征,可以分析参数对结果的影响,可以调整和优化参数。决策树可以被可视化以分析参数。

  00-1010 1.数据准备1.1头文件介绍1.2将student_1.csv数据拖动到代码的同一个文件夹中,同时读取文件中的数据1.3特性选择2。数据处理2.1处理G1、g 2和G3 2.2也处理Pedu参数的连续值2.3由于数据集中的每个参数差别很大,所以这里把特征参数改为数字形式。3.经过训练的模型3.1决策树3.1.1开始训练训练集中的数据。3.1.2使用训练好的模型预测G3的值。3.1.3优化模型中的参数,输出优化后的最佳得分3.1.4由优化后的模型绘制决策树3.2集成学习3.2.1决策树3.2.2 Bagging算法3.2.3这里用集成学习的随机森林算法训练模型,估计模型的得分3.2.4这里用集成学习的AdaBoost算法训练模型。对模型3.2.5进行评分估计这里使用集成学习的GBDT算法对模型进行训练,对模型4进行评分估计。评估结果33605。结论分析。

  

目录

  

1.数据准备

  在编写头文件之前,您需要下载安装所需的依赖包。一些无法通过pip安装的内容是手动导入的。

  

1.1 引入头文件

  

1.2 把student_1.csv数据拖入代码的同一文件夹下,同时读取文件中的数据

  课件中选取了16个特征值,这里我用所有特征值进行处理。

  

1.3 特征选取

  

2.数据处理

  连续处理离散值,并设置lambda函数来计算G1、G2和G3。

  

2.1 对G1、G2、G3处理

  

2.2 同样对Pedu参数进行连续值处理

  2.4对于当前处理的数据集,划分训练集和测试集,设置随机种子等其他参数。

  

2.3 由于数据集中每个参数差异比较大,所以这里把特征参数统一改为数字形式

  

3训练得到的模型

  

3.1 决策树

  经训练的模型用于设置视觉显示的图像参数。

  

3.1.1 开始对训练集中的数据进行训练

  对训练好的模型进行评分。

  style="text-align:center">

  

  

3.1.3 对模型中的参数进行优化,输出优化后最好的分数

  

  

  

3.1.4 优化后的模型来绘制决策树

  

  输出优化后的分数。

  

  

  

3.2 集成学习

  重新划分数据集用于训练模型。

  

  

  

3.2.1 Decision Tree

  这里采用集成学习的多个决策树方式进行训练模型,以及模型的评估。

  

  

  

3.2.2 Bagging算法

  这里采用集成学习的Bagging算法进行训练模型,对模型做出分数估测。

  

  

  

3.2.3 这里采用集成学习的Random Forest算法进行训练模型,对模型做出分数估测

  

  

  

3.2.4 这里采用集成学习的AdaBoost算法进行训练模型,对模型做出分数估测

  

  

  

3.2.5 这里采用集成学习的GBDT算法进行训练模型,对模型做出分数估测

  

  

  

4.评价结果:

  模型得分决策树(优化前)0.806决策树(优化后)0.848多个决策树0.831Bagging0.890Random Forest0.882AdaBoost0.806GBDT0.865

  

  

5.结论分析

  根据决策树和集成学习两大类的训练模型可以看出:两种方式实现各有千秋,同样由优缺点。

  决策树在优化参数前后预测结果有了较明显的提升,并且有可视化的图片便于观察。集成学习中的Bagging算法对于预测结果是最好的,随之的得分情况也是最高。但是AdaBoost算法的表现就相对不够。

  以上就是python决策树预测学生成绩等级实现详情的详细内容,更多关于python决策树预测学生成绩等级的资料请关注盛行IT软件开发工作室其它相关文章!

郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

留言与评论(共有 条评论)
   
验证码: