电子发烧友App
我们也可以把决策树绘制出来：
def Plot_node（nodeTxt， centerPt， parentPt， nodeType）：
Create_plot.ax1.annotate（nodeTxt， xy=parentPt，
xycoords=‘axes fraction’，
xytext=centerPt， textcoords=‘axes fraction’，
va=“center”， ha=“center”， bbox=nodeType， arrowprops=arrow_args）
def Plot_tree（myTree， parentPt， nodeTxt）：
numLeafs = Get_numleafs（myTree）
Get_treedepth（myTree）
firstStr = myTree.keys（）［0］
cntrPt = （Plot_tree.xOff + （1.0 + float（numLeafs））/2.0/Plot_tree.totalW，
Plot_tree.yOff）
Plot_midtext（cntrPt， parentPt， nodeTxt）
Plot_node（firstStr， cntrPt， parentPt， decisionNode）
secondDict = myTree［firstStr］
Plot_tree.yOff = Plot_tree.yOff - 1.0/Plot_tree.totalD
for key in secondDict.keys（）：
if type（secondDict［key］）.__name__==‘dict’：
Plot_tree（secondDict［key］，cntrPt，str（key））
else：
Plot_tree.xOff = Plot_tree.xOff + 1.0/Plot_tree.totalW
Plot_node（secondDict［key］， （Plot_tree.xOff， Plot_tree.yOff），
cntrPt， leafNode）
Plot_midtext（（Plot_tree.xOff， Plot_tree.yOff）， cntrPt， str（key））
Plot_tree.yOff = Plot_tree.yOff + 1.0/Plot_tree.totalD
def Create_plot （myTree）：
fig = plt.figure（1， facecolor = ‘white’）
fig.clf（）
axprops = dict（xticks=［］， yticks=［］）
Create_plot.ax1 = plt.subplot（111， frameon=False， **axprops）
Plot_tree.totalW = float（Get_numleafs（myTree））
Plot_tree.totalD = float（Get_treedepth（myTree））
Plot_tree.xOff = -0.5/Plot_tree.totalW; Plot_tree.yOff = 1.0;
Plot_tree（myTree， （0.5，1.0）， ‘’）
plt.show（）
def Plot_midtext（cntrPt， parentPt， txtString）：
xMid = （parentPt［0］ - cntrPt［0］） / 2.0 + cntrPt［0］
yMid = （parentPt［1］ - cntrPt［1］） / 2.0 + cntrPt［1］
Create_plot.ax1.text（xMid， yMid， txtString）
def Classify（myTree， featLabels， testVec）：
firstStr = myTree.keys（）［0］
secondDict = myTree［firstStr］
featIndex = featLabels.index（firstStr）
for key in secondDict.keys（）：
if testVec［featIndex］ == key：
if type（secondDict［key］）.__name__ == ‘dict’ ：
classLabel = Classify（secondDict［key］，featLabels，testVec）
else：
classLabel = secondDict［key］
return classLabel
最后，可以测试我们的构造的决策树分类器：
decisionNode = dict（boxstyle=“sawtooth”， fc=“0.8”）
leafNode = dict（boxstyle=“round4”， fc=“0.8”）
arrow_args = dict（arrowstyle=“《-”）
myData， featName = Create_data（）
S_entrpy = Cal_entrpy（myData）
new_data = Split_dataset（myData， 0， 1）
best_feat = Choose_feature（myData）
myTree = Create_tree（myData， featName［：］）
num_leafs = Get_numleafs（myTree）
depth = Get_treedepth（myTree）
Create_plot（myTree）
predict_label = Classify（myTree， featName， ［1， 0］）
print（“the predict label is： ”， predict_label）
print（“the decision tree is： ”， myTree）
print（“the best feature index is： ”， best_feat）
print（“the new dataset： ”， new_data）
print（“the original dataset： ”， myData）
print（“the feature names are： ”， featName）
print（“the entrpy is：”， S_entrpy）
print（“the number of leafs is： ”， num_leafs）
print（“the dpeth is： ”， depth）
print（“All is well.”）
构造的决策树最后如下所示：
工商网监
评论