決策樹(已修改)
2025-02-01 02:52 本頁面
【正文】 決策樹 決策樹簡介 決策樹算法 A1,A2兩方案投資分別為450萬和 240萬，經營年限為 5年，銷路好的概率為 ，銷路差的概率為 ， A1方案銷路好年、差年的損益值分別為 300萬和負 60萬， A2方案分別為 120萬和 30萬。 決策樹簡介 決策樹簡介 決策 狀態(tài) 狀態(tài) 結 結 果 點 A1 A2 300 — 60 120 30 決策樹簡介 決策 狀態(tài) 狀態(tài) 結 結 果 點 最后選擇 的 最佳方案 代表備選方案 的 經濟效果 將 每個方案 在 各種 自然狀態(tài)下 取得的 損益值 標注于 結果節(jié)點 的 右端 決策樹的一般流程： （ 1）收集數(shù)據(jù) （ 2）準備數(shù)據(jù) （ 3）分析數(shù)據(jù) （ 4）訓練算法 （ 5）測試算法 （ 6）使用算法 決策樹簡介 劃分數(shù)據(jù)集 的大原則就是將無序的數(shù)據(jù)變得更加有序。 劃分數(shù)據(jù)集前后信息發(fā)生的變化成為 信息增益 。 決策樹簡介 集合信息的度量方式稱為香農熵（熵） 條件熵 決策樹簡介 i 2 iH U P u lo g P u?( ) = ( ) ( )iij2jjjiuuH ( U V ) P ( v ) P ( ) l og P ( )vv?? ??計算給定數(shù)據(jù)集 的香農熵 from math import log def calcShannonEnt(dataSet) : numEntries = len(dataSet) labelCounts = {} for featVec in dataSet: currentLabel = featVec[1] if currentLabel not in (): labelCounts[currentLabel]= 0 labelCounts[currentLabel]+=1 shannonEnt = for key in labelCounts: prob = float(labelCount[key])/numEntries shannonEnt=prob*log(prob,2) return shannonEnt 決策樹簡介 (1) (2) 計算給定數(shù)據(jù)集 的香農熵 首先，計算數(shù)據(jù)集中實例的總數(shù)。為了提高代碼效率，我們顯式的聲明一個變量保存實例總數(shù)。然后，創(chuàng)建一個數(shù)據(jù)字典，它的鍵值是最后一列的數(shù)值（ 1）。如果當前鍵值不存在，則擴展字典并將當前鍵值加入字典。每個鍵值都記錄了當前類別出現(xiàn)的次數(shù)。最后，使用所有類標簽的發(fā)生頻率計算類別出現(xiàn)的頻率（ 2）。我們將用這個概率計算香農
畢業(yè)設計相關推薦
鄂ICP備17016276號-1