درخت تصمیم با پایتون

درخت تصمیم مدلی است که برای حل وظایف دسته‌بندی (Classification) و رگرسیون (Regression) مورد استفاده قرار می‌گیرد.

مدل، امکان تولید خروجی‌های گوناگون را فراهم کرده و امکان انجام تصمیم‌گیری با داده‌ها را فراهم می‌کند.

این محتوای آموزشی کاربردی را تنها در این سایت می توانید بخوانید.

 

1-اضافه کردن کتابخانه‌ها

کتابخانه نام‌پای (Numpy) و train_test_split از کتابخانه سایکیت‌لِرن (Scikit-Learn) وارد (Import) می‌کنیم.

با استفاده از کلاس فراخوانی شده از کتابخانه sklearn، مجموعه داده به داده‌های آموزش (Training) و آزمون (Test) شکسته می‌شود، و به موجب آن، مدل روی داده‌های آموزش ساخته و صحت این مدل در مقابل داده‌های آزمون (Test) آزموده می‌شود.

2-بارگذاری مجموعه داده و متغیرها

اکنون از np.loadtxt برای بارگذاری داده‌ها در فرمت csv استفاده می‌کنیم.

3-اضافه کردن DecisionTreeRegressor از sklearn

4-تعیین صحت مجموعه آموزش و آزمون

5-انجام پیش‌بینی‌ها از درخت تصمیم

خروجی:

6-محاسبه درصد خطای بین پیش‌بینی‌ها و داده‌های واقعی

7- رسم درخت تصمیم

با توجه به اینکه پس از محاسبات مشخص شده که مدل درخت تصمیم مورد استفاده در اینجا دارای نرخ صحت بالایی است، در حال حاضر هدف ترسیم نمودار آن به صورت بصری است تا امکان تفسیر روابط میان متغیرها وجود داشته باشد. کتابخانه‌ای که برای انجام این کار مورد استفاده قرار گرفته گراف‌ویز (graphviz) نام دارند و با pip به شیوه‌ای که در ادامه بیان می‌شود قابل نصب است. شایان توجه است که با توجه به استفاده نویسنده این مطلب از پایتون ۳.۶، pip3 برای نصب مورد استفاده قرار گرفته است.

بعد از آن که گراف‌ویز نصب شد،  ابتدا درخت به صورت یک فایل .dot خروجی گرفته (export) و سپس مجددا وارد می‌شود.

با پایان یافتن این کار، می‌توان شِل (shell) را باز کرد و درخت تصمیم با پایتون را در فرمت pdf خروجی گرفت.

درخت تصمیم با پایتون

 

منتظر نظرات، پیشنهادات و انتقادات شما کاربران عزیز برای بهتر شدن بخش های آموزشی سایت هستیم.

در ارتباط با شاخه های مختلف هوش مصنوعی در این لینک بیشتر بخوانید.

موفق باشید.

برای امتیاز به این نوشته کلیک کنید!
[کل: 0 میانگین: 0]
با دوستانتان به اشتراک بگذارید

2 دیدگاه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

*

code