1、構建treeplotter.py
#coding:utf-8
import matplotlib.pyplot as plt
# 定義決策樹決策結果的屬性，用字典來定義
# 下面的字典定義也可寫作 decisionnode=
# boxstyle為文字框的型別，sawtooth是鋸齒形，fc是邊框線粗細
decisionnode = dict(boxstyle="sawtooth", fc="0.8")
leafnode = dict(boxstyle="round4", fc="0.8")
arrow_args = dict(arrowstyle="<-")
def plotnode(nodetxt, centerpt, parentpt, nodetype):
# annotate是關於乙個資料點的文字
# nodetxt為要顯示的文字，centerpt為文字的中心點，箭頭所在的點，parentpt為指向文字的點
createplot.ax1.annotate(nodetxt, xy=parentpt, xycoords='axes fraction',
xytext=centerpt, textcoords='axes fraction',
va="center", ha="center", bbox=nodetype, arrowprops=arrow_args )
def create******plot():
fig = plt.figure(1,facecolor='white') # 定義乙個畫布，背景為白色
fig.clf() # 把畫布清空
# createplot.ax1為全域性變數，繪製影象的控制代碼，subplot為定義了乙個繪圖，
#111表示figure中的圖有1行1列，即1個，最後的1代表第乙個圖
# frameon表示是否繪製座標軸矩形
createplot.ax1 = plt.subplot(111,frameon=false)
plotnode('a decision node',(0.5,0.1),(0.1,0.5),decisionnode)
plotnode('a leaf node',(0.8,0.1),(0.3,0.8),leafnode)
plt.show()
def getnumleafs(mytree):
numleafs = 0
firstsides = list(mytree.keys())
firststr = firstsides[0]
seconddict = mytree[firststr]
for key in seconddict.keys():
if type(seconddict[key]).__name__ == 'dict':
numleafs += getnumleafs(seconddict[key])
else: numleafs += 1
return numleafs
def gettreedepth(mytree):
maxdepth = 0
firstsides = list(mytree.keys())
firststr = firstsides[0]
seconddict = mytree[firststr]
for key in seconddict.keys():
if type(seconddict[key]).__name__ == 'dict':
thisdepth = 1+ gettreedepth(seconddict[key])
else: thisdepth = 1
if thisdepth > maxdepth: maxdepth = thisdepth
return maxdepth
def createplot(intree):
fig = plt.figure(1, facecolor='white')
fig.clf()
axprops = dict(xticks=, yticks=)# 定義橫縱座標軸，無內容
#createplot.ax1 = plt.subplot(111, frameon=false, **axprops) # 繪製影象,無邊框,無座標軸
createplot.ax1 = plt.subplot(111, frameon=false)
plottree.totalw = float(getnumleafs(intree)) #全域性變數寬度 = 葉子數
plottree.totald = float(gettreedepth(intree)) #全域性變數高度 = 深度
#圖形的大小是0-1 ，0-1
plottree.xoff = -0.5/plottree.totalw; #例如繪製3個葉子結點，座標應為1/3,2/3,3/3
#但這樣會使整個圖形偏右因此初始的，將x值向左移一點。
plottree.yoff = 1.0;
plottree(intree, (0.5,1.0), '')
plt.show()
def plottree(mytree, parentpt, nodetxt):
numleafs = getnumleafs(mytree) #當前樹的葉子數
depth = gettreedepth(mytree) #沒有用到這個變數
firstsides = list(mytree.keys())
firststr = firstsides[0]
#cntrpt文字中心點 parentpt 指向文字中心的點
cntrpt = (plottree.xoff + (1.0 + float(numleafs))/2.0/plottree.totalw, plottree.yoff)
plotmidtext(cntrpt, parentpt, nodetxt) #畫分支上的鍵
plotnode(firststr, cntrpt, parentpt, decisionnode)
seconddict = mytree[firststr]
plottree.yoff = plottree.yoff - 1.0/plottree.totald #從上往下畫
for key in seconddict.keys():
if type(seconddict[key]).__name__=='dict':#如果是字典則是乙個判斷（內部）結點
plottree(seconddict[key],cntrpt,str(key))
else: #列印葉子結點
plottree.xoff = plottree.xoff + 1.0/plottree.totalw
plotnode(seconddict[key], (plottree.xoff, plottree.yoff), cntrpt, leafnode)
plotmidtext((plottree.xoff, plottree.yoff), cntrpt, str(key))
plottree.yoff = plottree.yoff + 1.0/plottree.totald
def plotmidtext(cntrpt, parentpt, txtstring):
xmid = (parentpt[0]-cntrpt[0])/2.0 + cntrpt[0]
ymid = (parentpt[1]-cntrpt[1])/2.0 + cntrpt[1]
createplot.ax1.text(xmid, ymid, txtstring, va="center", ha="center", rotation=30)
#這個是用來建立資料集即決策樹
def retrievetree(i):
listoftrees =[}, 1: }, 2:}}},
}, 1: 'no'}}}}
]return listoftrees[i]
2、構建tree
test.py
import treeplotter
#treeplotter.create******plot()
mytree= }}}
#mytree = treeplotter.retrievetree(0)
print (treeplotter.getnumleafs(mytree))
print (treeplotter.gettreedepth(mytree))
treeplotter.createplot(mytree)
決策樹構建
from sklearn import tree import pydotplus x 0,0 1,1 y 0,1 clf tree.decisiontreeclassifier 決策樹分類器 clf clf.fit x,y 對樣本x和對應的類y訓練決策樹 clf.predict 2.2.為乙個新的...
決策樹簡析
決策樹的基礎知識參照這裡面的內容 總結 1 決策樹的關鍵在於分類屬性的選擇 2 衡量分類屬性優劣的判別標準，資訊增益 3 a 計算類別資訊熵 b 計算不同分類屬性的資訊熵 c 類別資訊熵與分類資訊熵之差即為資訊增益 d 選擇資訊增益最大的屬性作為 標準 e 若已無分類屬性可以使用，但是並未達到純子集...
決策樹 ID3構建決策樹
coding utf 8 from math import log import operator 建立訓練資料集 defcreatedataset dataset 1,1,yes 1,1,yes 1,0,no 0,1,no 0,1,no 資料集的最後乙個元素作為該資料的標籤，是否是魚 labels...