算法代码

Posted 2021-02-13 dzhou

数据预处理-算法加工-预测-校验

knn　

     #构建kNN分类器
    neigh = kNN(n_neighbors = 3, algorithm = ‘auto‘)
    #拟合模型, trainingMat为训练矩阵,hwLabels为对应的标签
    neigh.fit(trainingMat, hwLabels)
    #获得预测结果，vectorUnderTest 向量
        classifierResult = neigh.predict(vectorUnderTest)    

决策树

lenses_pd = pd.DataFrame(lenses_dict)  # 生成pandas.DataFrame
# print(lenses_pd)                                        #打印pandas.DataFrame
le = LabelEncoder()  # 创建LabelEncoder()对象，用于序列化
for col in lenses_pd.columns:  # 序列化
    lenses_pd[col] = le.fit_transform(lenses_pd[col])

 clf = tree.DecisionTreeClassifier(max_depth=4)  # 创建DecisionTreeClassifier()类
 clf = clf.fit(lenses_pd.values.tolist(), lenses_target)  # 使用数据，构建决策树

 dot_data = StringIO()
 tree.export_graphviz(clf, out_file=dot_data,  # 绘制决策树
                      feature_names=lenses_pd.keys(),
                      class_names=clf.classes_,
                      filled=True, rounded=True,
                      special_characters=True)
# graph = pydotplus.graph_from_dot_data(dot_data.getvalue())
# graph.write_pdf("tree.pdf")  # 保存绘制好的决策树，以PDF的形式存储。

 print(clf.predict([[1, 1, 1, 0]]))  # 预测