资源简介

(共20张PPT)
第15课
算法的应用
汇报人姓名
2023.12.14
决策树算法应用
01
决策树算法简介
02
作业布置
03
总结回顾
04
CONTENTS
目 录
01
决策树算法简介
1.决策树算法简介
01
决策树是一种应用非常广泛的算法，比如语音识别、人脸识别、医疗诊断、模式识别等。
02
决策树算法既可以解决分类问题（对应的目标值是类别型的数据），也能解决回归问题（输出结果也可以是连续的数值）。
相比其他算法，决策树有一个非常明显的优势，就是可以很直观地进行可视化，分类规则好理解，让非专业的人也容易看明白。
比如某个周末，你根据天气等情况决定是否出门，如果降雨就不出门，否则看是否有雾霾……这个决策的过程，可以画成这样一颗树形图：
02
决策树算法应用
下面我们以 sklearn 中的葡萄酒数据集为例，给定一些数据指标，比如酒精度等，利用决策树算法，可以判断出葡萄酒的类别。
2.加载数据
为了方便利用图形进行可视化演示，我们只选取其中2 个特征：第 1 个特征（酒精度）和第 7 个特征（黄酮量），并绘制出 3 类葡萄酒相应的散点图。
在上面的散点图中，颜色代表葡萄酒的类别，横轴代表酒精度，纵轴代表黄酮量。
3. 调用算法
和调用其他算法的方法一样，我们先把数据集拆分为训练集和测试集，然后指定相关参数，这里我们指定决策树的最大深度等于 2，并对算法进行评分。
从上面的结果可以看出，决策树算法的训练得分和测试得分都还不错。
假如设置 max_depth = 1，那么算法评分很低，就会出现欠拟合的问题。
假如设置 max_depth = 10，那么虽然算法的评分变高了，但是决策树变得过于复杂，就会出现过拟合的问题。
4. 决策边界
为了更加直观地看到算法的分类效果，我们定义一个绘制决策边界的函数，画出分类的边界线。
从图中也可以直观地看出，大部分数据点的分类是基本准确的，这也说明决策树算法的效果还不错。
5. 树形图
为了能够更加直观地理解决策树算法，我们可以用树形图来展示算法的结果。
03
总结回顾
总结回顾
通过今天的学习有哪些收获？请分享一下。
04
作业布置
练习1
搜集有关决策树算法应用的资料，下节课我们一起交流分享。
感谢聆听

展开更多......

收起↑