《机器学习》周志华 习题答案8.5

Posted 机器人小z

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了《机器学习》周志华 习题答案8.5相关的知识,希望对你有一定的参考价值。

  用Bagging,以决策树为树桩,在西瓜数据集上实现。

#!/usr/bin/python
# -*- coding:utf-8 -*-
import numpy as np
import matplotlib.pyplot as plt

from sklearn.ensemble import BaggingClassifier
from sklearn.tree import DecisionTreeClassifier

file1 = open(\'c:\\quant\\watermelon.csv\',\'r\')
data = [line.strip(\'\\n\').split(\',\') for line in file1]
data = np.array(data)
#X = [[float(raw[-7]),float(raw[-6]),float(raw[-5]),float(raw[-4]),float(raw[-3]), float(raw[-2])] for raw in data[1:,1:-1]]

X = [[float(raw[-3]), float(raw[-2])] for raw in data[1:]]
y = [1 if raw[-1]==\'1\' else 0 for raw in data[1:]]
X = np.array(X)
y = np.array(y)


# Create and fit an AdaBoosted decision tree,不剪枝决策树
bdt = BaggingClassifier(DecisionTreeClassifier(),

                         n_estimators=11)

bdt.fit(X, y)

plot_colors = "br"
plot_step = 0.02
class_names = "AB"

plt.figure(figsize=(10, 5))

# Plot the decision boundaries
plt.subplot(121)
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, plot_step),
                     np.arange(y_min, y_max, plot_step))

Z = bdt.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
cs = plt.contourf(xx, yy, Z, cmap=plt.cm.Paired)
plt.axis("tight")

# Plot the training points
for i, n, c in zip(range(2), class_names, plot_colors):
    idx = np.where(y == i)
    plt.scatter(X[idx, 0], X[idx, 1],
                c=c, cmap=plt.cm.Paired,
                label="Class %s" % n)
plt.xlim(x_min, x_max)
plt.ylim(y_min, y_max)
plt.legend(loc=\'upper right\')
plt.xlabel(\'Sugar rate\')
plt.ylabel(\'Density\')
plt.title(\'Decision Boundary\')


plt.tight_layout()
plt.subplots_adjust(wspace=0.35)
plt.show()

基学习器个数依次为3,5,11时的效果图如下:

以上是关于《机器学习》周志华 习题答案8.5的主要内容,如果未能解决你的问题,请参考以下文章

《机器学习》周志华 习题答案4.3

《机器学习》周志华 习题答案6.2

《机器学习》周志华 习题答案3.3

《机器学习》周志华 习题答案3.6

《机器学习》周志华 习题答案3.5

《机器学习》周志华 习题答案5.5