import pandas as pd
from sklearn.tree import decisiontreeclassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
df=pd.read_csv(
'g:/liu/python/music.csv'
)# 匯入資料
x = df.drop(columns=
['genre'])
#切割資料,成兩個變數,輸入變數x和輸出的因變數y
y = df[
'genre'
]# 輸出的因變數y
x_tr, x_te, y_tr, y_te = train_test_split( x,y,test_size =
0.2)
#模型訓練和測試資料分配,訓練:測試=8:2
model = decisiontreeclassifier(
)#建立模型
model.fit(x_tr,y_tr)
# 輸入資料x_tr與結果資料y_tr,訓練模型
pre = model.predict(x_te)
#輸入測試資料x_te,得到**資料
score = accuracy_score(y_te, pre)
#對比**資料與正確結果y_te的準確度打分
print
(score)
# 列印準確度
import pandas as pd # 資料分析庫
from sklearn.tree import decisiontreeclassifier # sklearn 演算法,決策演算法
from sklearn.model_selection import train_test_split #模型訓練和測試
from sklearn.metrics import accuracy_score #模型的準確度
import pandas as pd
from sklearn.tree import decisiontreeclassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
df=pd.read_csv(
'g:/liu/python/music.csv'
)
x = df.drop(columns=
['genre'])
y = df[
'genre'
]x_tr, x_te, y_tr, y_te = train_test_split( x,y,test_size =
0.2)
## 四、模型建立
```python
model = decisiontreeclassifier()
model.fit(x_tr,y_tr)
pre = model.predict(x_te)
score = accuracy_score(y_te, pre)
import pandas as pd
from sklearn.tree import decisiontreeclassifier
from sklearn.externals import joblib #
df=pd.read_csv(
'g:/liu/python/music.csv'
)x = df.drop(columns=
['genre'])
y = df[
'genre'
]model = decisiontreeclassifier(
)model.fit(x, y)
joblib.dump(model,
'g:/liu/python/music.joblib'
)#把訓練好的模型儲存到g:/liu/python/music.joblib
模型的載入和使用
import pandas as pd
from sklearn.tree import decisiontreeclassifier
from sklearn.externals import joblib
model = joblib.load(
'g:/liu/python/music.joblib'
)#載入模型
pre = model.predict([[
21,1]
,[22,
0]])
#使用模型**結果
print
(pre)
#列印**值
import pandas as pd
from sklearn.tree import decisiontreeclassifier
from sklearn import tree
df=pd.read_csv(
'g:/liu/python/music.csv'
)x = df.drop(columns=
['genre'])
y = df[
'genre'
]model = decisiontreeclassifier(
)model.fit(x, y)
#輸出檔案視覺化dot檔案,設定視覺化屬性
tree.export_graphviz(model, out_file =
'g:/liu/python/music.dot'
, feature_names =
['age'
,'gender'
], class_names =
sorted
(y.unique())
, label=
'all'
, rounded =
true
,filled=
true
)
學習小筆記 機器學習
看書的時候做點筆記,偶爾翻出來看看才能真正掌握 否則很快就遺忘了 艾賓浩斯遺忘曲線 1 整合學習bagging基於自助取樣法 給定包含 m 個樣本的資料集,我們先隨機取出乙個樣本放入取樣集中,再把該樣本放回初始資料集,使得下次取樣時該樣本仍有可能被選中,這樣,經過 m次隨機取樣操作,我們得到含 m ...
機器學習小短片
神經網路技巧 強化學習 進化演算法 有趣的機器學習系列 莫煩python 監督學習 有資料有標籤 無監督學習 有資料無標籤 半監督學習 神經網路 生物 產生新連線 人工 誤差反向傳遞 卷積神經網路 cnn 迴圈神經網路 rnn 寫 寫程式,作曲 序列化資料,參考以前的狀態 解決 長短期記憶 lstm...
機器學習小概論
機器學習發展歷程 人類一直試圖讓機器具有智慧型,也就是人工智慧 artificial intelligence 從上世紀50年代,人工智慧的發展經歷了 推理期 通過賦予機器邏輯推理能力使機器獲得智慧型,當時的ai程式能夠證明一些著名的數學定理,但由於機器缺乏知識,遠不能實現真正的智慧型。因此,70年...