分类算法——决策树
Posted
技术标签:
【中文标题】分类算法——决策树【英文标题】：Classification algorithm - decision tree 【发布时间】：2018-12-12 17:22:15 【问题描述】：我有从感应电机收集的 MPU6050 加速度计数据。我想训练一种算法并使用新数据集进行预测。
我已经使用决策树分类器训练了算法并获得了 100% 的分数并进行了测试
当我尝试给这个模型提供新的数据集时，分类没有正确完成。我在代码末尾给出了一个例子。
请在下面找到代码：
import pandas as pd
import numpy
import pickle
from pandas.tools.plotting import scatter_matrix
from matplotlib import cm
filename=pd.read_csv("C:/Users/Meena/Desktop/Datawithlabel.txt", sep=',')
filename.columns = ["x", "y", "z","Label"]
feature_names=['x']
X=filename[feature_names]
y=filename['Label']
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=7)
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
X_train = scaler.fit_transform(X_train)
from sklearn.tree import DecisionTreeClassifier
clf = DecisionTreeClassifier().fit(X_train, y_train)
print('Accuracy of Decision Tree classifier on training set: :.2f'
.format(clf.score(X_train, y_train)))
决策树分类器在训练集上的准确度：1.00
Filename='final_model.sav'
pickle.dump(clf,open(Filename,'wb'))
load_model=pickle.load(open(Filename,'rb'))
result=load_model.score(X_test,y_test)
print(result)
0.9393939393939394
load_model=pickle.load(open(Filename,'rb'))
filename1=pd.read_csv("C:/Users/Meena/Desktop/Motor2withloadsafter5min.txt", sep=',')
filename1.columns = ["x", "y", "z"]
Datatopredict=filename1[['x']]
prediction = load_model.predict(Datatopredict)
print(prediction)
即使对于这些值，它在训练集中作为非工作类给出，但在预测中仍然作为工作类产生。不知道哪里出错了……
在下面的数据中，第一列是索引，第二列是加速度计的 X 轴数据
590 0.03
591 0.03
592 0.02
593 0.02
594 0.01
595 0.04
596 0.12
597 0.12
598 0.11
599 0.14
['工作''工作''工作''工作''工作''工作''工作' '工作' '工作' '工作']
This is the screenshot of the training data
【问题讨论】：
请更详细地解释你在说什么。"Even though for these values its given as non working class in training set, it still yields as working class in prediction" 是什么意思？相同的值是否被不同地预测。可以分享一下训练数据吗？
训练数据集太大，我无法分享。但是请检查我附加的新屏幕截图，其中值 [596 - 599] 的类被分类为不工作，但预测的结果将它们分类为工作
【参考方案1】：
除了我上面的评论之外，我注意到的一件事是您没有缩放测试值。
您还需要在 X_test 上使用相同的缩放器，例如：X_test = scaler.transform(X_test)，然后再进行预测。所以还要腌制scaler 并在测试期间加载它。
训练期间：
Filename = 'final_model.sav'
pickle.dump(clf, open(Filename, 'wb'))
scaler_Filename = 'final_scalar.sav'
pickle.dump(scaler, open(scaler_Filename, 'wb'))
测试期间：
load_scaler = pickle.load(open(scaler_Filename,'rb'))
X_test = load_scaler.transform(X_test)
load_model = pickle.load(open(Filename,'rb'))
result = load_model.score(X_test,y_test)
print(result)
关于新数据：
Datatopredict = load_scaler.transform(Datatopredict)
prediction = load_model.predict(Datatopredict)
【讨论】：
当我尝试按照您所说的进行缩放时，出现以下错误： -------------- ------------------------------------------------- 属性错误Traceback（最近一次调用最后一次）以上是关于分类算法——决策树的主要内容，如果未能解决你的问题，请参考以下文章