用sklearn实现决策树预测肿瘤，根据adminssion Predict.csv写，用def命令#读数据预处理#去重#处理异常值#强制转换为整型数据#替换标签值#评价指标#可视化#预测值#真实值#决策树算法#id3决策树#评价#正确率#评价指标#c4.5决策树#cart决策树

以下是用sklearn实现决策树预测肿瘤的步骤：

1. 读取数据并进行预处理，包括去重、处理异常值、强制转换为整型数据、替换标签值等。

import pandas as pd
from sklearn.model_selection import train_test_split

# 读取数据
data = pd.read_csv('adminssion Predict.csv')

# 去重
data.drop_duplicates(inplace=True)

# 处理异常值
data = data[data['Age'] > 0]

# 强制转换为整型数据
data['Age'] = data['Age'].astype(int)

# 替换标签值
data['Outcome'].replace({2: 0}, inplace=True)

# 划分数据集
X = data.drop('Outcome', axis=1)
y = data['Outcome']
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)

2. 使用决策树算法进行训练和预测，这里使用ID3决策树作为例子。

from sklearn.tree import DecisionTreeClassifier

# 训练决策树模型
tree = DecisionTreeClassifier(criterion='entropy', random_state=0)
tree.fit(X_train, y_train)

# 预测测试集结果
y_pred = tree.predict(X_test)

3. 评价模型的性能，这里使用正确率作为评价指标。

from sklearn.metrics import accuracy_score

# 计算正确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy: {:.2f}%".format(accuracy * 100))

4. 可视化决策树，这里使用Graphviz库进行可视化。

from sklearn.tree import export_graphviz
import graphviz

# 将决策树导出为dot文件
dot_data = export_graphviz(tree, out_file=None, feature_names=X.columns, class_names=['0', '1'], filled=True, rounded=True, special_characters=True)
# 使用Graphviz库将dot文件转换为PDF格式
graph = graphviz.Source(dot_data)
graph.render("decision_tree")

5. 除了ID3决策树，还有C4.5决策树和CART决策树等其他决策树算法可以使用，只需要更改DecisionTreeClassifier函数的参数即可。