import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import accuracy_score, confusion_matrix # 读取Excel文件 df = pd.read_excel('E:/桌面/预测脆弱性/20230523/预测样本/预测样本.xlsx') # 提取特征和标签 X = df[['高程', '起伏度', '桥梁长', '道路长', '平均坡度', '平均地温', 'T小于0', '相态']] y = df['交通风险'] # 划分训练集和验证集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建决策树模型 clf = DecisionTreeClassifier() # 使用训练集拟合模型 clf.fit(X_train, y_train) # 预测验证集的标签 y_pred = clf.predict(X_test) # 计算模型的准确率 accuracy = accuracy_score(y_test, y_pred) # 输出模型的准确率 print('Accuracy:', accuracy) # 输出混淆矩阵 cm = confusion_matrix(y_test, y_pred) plt.figure(figsize=(6,6)) sns.heatmap(cm, annot=True, cmap='Blues') plt.xlabel('Predicted label') plt.ylabel('True label') plt.title('Confusion Matrix') plt.savefig('E:/桌面/预测脆弱性/20230523/预测样本/预测结果/决策树confusion_matrix.png') # 读取新的Excel数据 new_data = pd.read_excel('E:/桌面/预测脆弱性/20230523/预测样本/预测结果/交通风险预测096.xlsx') # 提取特征 X_new = new_data[['高程', '起伏度', '桥梁长', '道路长', '平均坡度', '平均地温', 'T小于0', '相态']] # 预测新数据的标签 y_new = clf.predict(X_new) # 将预测结果输出到新的Excel文件中 new_data['交通风险预测结果'] = y_new new_data.to_excel('E:/桌面/预测脆弱性/20230523/预测样本/预测结果/交通风险预测096-决策树结果.xlsx', index=False)修改代码输出混淆矩阵

将以下代码：

plt.figure(figsize=(6,6))
sns.heatmap(cm, annot=True, cmap='Blues')
plt.xlabel('Predicted label')
plt.ylabel('True label')
plt.title('Confusion Matrix')
plt.savefig('E:/桌面/预测脆弱性/20230523/预测样本/预测结果/决策树confusion_matrix.png')

修改为：

plt.figure(figsize=(6,6))
sns.heatmap(cm, annot=True, cmap='Blues')
plt.xlabel('Predicted label')
plt.ylabel('True label')
plt.title('Confusion Matrix')
plt.show()

运行后即可在控制台中输出混淆矩阵。

相关问题

from sklearn.datasets import load_boston import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.linear_model import LassoCV import seaborn as sns from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split

这段代码主要是导入了一些Python的第三方库，包括：

- sklearn.datasets：用于加载波士顿房价数据集。
- numpy：用于进行科学计算，如数组操作、数值计算等。
- pandas：用于数据处理和分析，如数据读取、转换、合并等。
- matplotlib.pyplot：用于绘制数据可视化图表，如折线图、散点图等。
- sklearn.linear_model：用于线性回归模型的构建和训练。
- seaborn：基于matplotlib的数据可视化库，提供更加美观的图表风格。
- sklearn.preprocessing：用于数据预处理，如标准化、归一化、缺失值处理等。
- sklearn.model_selection：用于模型训练和评估的数据集划分、交叉验证等操作。

其中，load_boston函数用于加载波士顿房价数据集，LassoCV是一种线性回归模型，可以进行自动特征选择和正则化，StandardScaler用于对数据进行标准化处理，train_test_split用于将数据集划分为训练集和测试集。

import numpy as np import matplotlib.pyplot as plt import pandas as pd import seaborn as sns from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn import metrics from sklearn import preprocessing

你给出的是 Python 的代码，我看到你正在使用一些流行的 Python 库，如 NumPy、matplotlib、pandas 和 seaborn，以及一些机器学习相关的库，如 scikit-learn。这些库都是非常有用的，能够帮助你进行数据分析、可视化和建模。在这段代码中，你还导入了波士顿房价数据集（load_boston），并使用 train_test_split 函数将数据集拆分为训练集和测试集。然后，你使用线性回归模型（LinearRegression）对数据进行拟合，并使用 metrics 库中的一些函数来评估模型的性能。最后，你使用 preprocessing 库对数据进行标准化处理。这些步骤都是非常常见的机器学习流程中的一部分，用于数据预处理、建模和评估。