决策树分析python 代码

下面是一份使用Python实现决策树分类算法的示例代码，其中使用了scikit-learn库：

from sklearn import tree
from sklearn.datasets import load_iris

# 加载数据集
iris = load_iris()

# 构建决策树模型
clf = tree.DecisionTreeClassifier()

# 使用数据集训练模型
clf = clf.fit(iris.data, iris.target)

# 预测新数据
print(clf.predict([[5.1, 3.5, 1.4, 0.2]]))

在这个示例中，我们首先从scikit-learn库中导入了决策树分类器，并加载了一个经典的鸢尾花数据集，然后使用数据集训练了模型，并使用模型对新的数据进行了预测。在这个例子中，我们使用了默认的参数，但是决策树分类器有许多参数可以调整以优化模型的性能。

相关问题

决策树c4.5 python代码 txt

决策树是一种常用的机器学习算法，可以用来进行分类和回归问题的预测。C4.5是一种决策树算法的改进版，它采用了信息增益比来选择最优的划分属性。

以下是一个用Python实现C4.5算法的代码示例：

import numpy as np
import pandas as pd
from math import log2

# 计算信息熵
def calculate_entropy(data):
    labels = data.iloc[:, -1]
    label_counts = labels.value_counts()
    probs = label_counts / label_counts.sum()
    entropy = (-probs * np.log2(probs)).sum()
    return entropy

# 计算信息增益
def calculate_information_gain(data, feature):
    total_entropy = calculate_entropy(data)
    feature_values = data[feature].unique()
    weighted_entropy = 0
    for value in feature_values:
        subset = data[data[feature]==value]
        subset_entropy = calculate_entropy(subset)
        weighted_entropy += (subset.shape[0] / data.shape[0]) * subset_entropy
    information_gain = total_entropy - weighted_entropy
    return information_gain

# 计算信息增益比
def calculate_information_gain_ratio(data, feature):
    information_gain = calculate_information_gain(data, feature)
    intrinsic_value = 0
    feature_values = data[feature].unique()
    for value in feature_values:
        subset = data[data[feature]==value]
        prob = subset.shape[0] / data.shape[0]
        intrinsic_value += prob * log2(prob)
    information_gain_ratio = information_gain / (-intrinsic_value)
    return information_gain_ratio

# 选择最优的划分属性
def select_best_feature(data):
    features = data.columns[:-1]
    best_feature = None
    best_information_gain_ratio = 0
    for feature in features:
        information_gain_ratio = calculate_information_gain_ratio(data, feature)
        if information_gain_ratio > best_information_gain_ratio:
            best_information_gain_ratio = information_gain_ratio
            best_feature = feature
    return best_feature

# 构建决策树
def build_decision_tree(data):
    labels = data.iloc[:, -1]
    if len(set(labels)) == 1:
        return labels.iloc[0]
    if data.shape[1] == 1:
        return labels.value_counts().idxmax()
    best_feature = select_best_feature(data)
    decision_tree = {best_feature: {}}
    feature_values = data[best_feature].unique()
    for value in feature_values:
        subset = data[data[best_feature]==value].drop(best_feature, axis=1)
        decision_tree[best_feature][value] = build_decision_tree(subset)
    return decision_tree

# 预测新样本
def predict(decision_tree, sample):
    if isinstance(decision_tree, str):
        return decision_tree
    feature = list(decision_tree.keys())[0]
    value = sample[feature]
    sub_tree = decision_tree[feature][value]
    return predict(sub_tree, sample)

# 示例数据
data = pd.DataFrame({
    'Outlook': ['Sunny', 'Sunny', 'Overcast', 'Rainy', 'Rainy', 'Rainy', 'Overcast', 'Sunny', 'Sunny', 'Rainy'],
    'Temperature': ['Hot', 'Hot', 'Hot', 'Mild', 'Cool', 'Cool', 'Cool', 'Mild', 'Cool', 'Mild'],
    'Humidity': ['High', 'High', 'High', 'High', 'Normal', 'Normal', 'Normal', 'High', 'Normal', 'Normal'],
    'Windy': ['False', 'True', 'False', 'False', 'False', 'True', 'True', 'False', 'False', 'False'],
    'Play': ['No', 'No', 'Yes', 'Yes', 'Yes', 'No', 'Yes', 'No', 'Yes', 'Yes']
})

decision_tree = build_decision_tree(data)

# 对新样本进行预测
sample = {'Outlook': 'Sunny', 'Temperature': 'Hot', 'Humidity': 'Normal', 'Windy': 'False'}
prediction = predict(decision_tree, sample)

print("叶子节点的预测结果：", decision_tree)
print("新样本的预测结果：", prediction)

以上代码是一个简单的C4.5算法的实现，通过构建决策树来进行分类预测。代码中使用了Pandas库来处理和分析数据，使用了NumPy库来进行数学运算。首先，定义了计算信息熵、信息增益和信息增益比的函数，然后定义了选择最优划分属性的函数，接着定义了构建决策树和预测新样本的函数。最后，使用一个示例数据来构建决策树，并对一个新样本进行预测。

决策树AHP层次分析法代码实现

决策树和AHP层次分析法是两种不同的决策方法，我可以为你介绍它们的代码实现。

首先是决策树的代码实现。决策树是一种基于树结构的分类和回归算法，常用于解决分类和回归问题。以下是一个简单的决策树分类的Python代码示例：

from sklearn import datasets
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建决策树分类器
clf = DecisionTreeClassifier()

# 训练模型
clf.fit(X_train, y_train)

# 预测
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率：", accuracy)

接下来是AHP层次分析法的代码实现。AHP层次分析法是一种用于多准则决策的方法，它将问题分解为多个层次，通过对比不同层次的准则权重来进行决策。以下是一个简单的AHP层次分析法的Python代码示例：

import numpy as np

# 构建判断矩阵
judgment_matrix = np.array([[1, 3, 5],
                           [1/3, 1, 2],
                           [1/5, 1/2, 1]])

# 计算权重
eigenvalues, eigenvectors = np.linalg.eig(judgment_matrix)
weights = eigenvectors[:, np.argmax(eigenvalues)]

# 归一化权重
weights /= np.sum(weights)

# 输出权重
for i, weight in enumerate(weights):
    print("准则{}的权重：{}".format(i+1, weight))

以上是决策树和AHP层次分析法的简单代码实现示例。如果你有更具体的问题或者需要更复杂的实现，可以提供更多详细的要求。