当前位置: 首页 > 知识库问答 >
问题:

决策树显示不是我想要的

巴洲
2023-03-14

我试图得到一个决策树的正确显示;我离得很近,但我就是不能正确地显示班级。

当我使用class_names=True时,我得到以下结果:

请注意,图像被剪辑,但它沿着相同的线继续。

clf.fit(X, Y)
dot_data = tree.export_graphviz(clf, out_file=None, feature_names=combo.columns[2:], class_names=class_names)
graph = graphviz.Source(dot_data)
graph.render('r')

它产生这样的输出,我知道这是错误的,因为唯一出现5次的等级是a。

有什么问题?

https://datascience.stackexchange.com/questions/28574/decisiontreeclassifier-object-has-no-attribute-importances这是一个有趣的答案,有一些有用的提示,但根本没有回答我这里的问题。

共有1个答案

弓泰
2023-03-14

我找到了这个解决方案:

clf = tree.DecisionTreeClassifier(max_depth=4)
clf.fit(X, Y)
dot_data = tree.export_graphviz(clf, out_file=None, feature_names=Xprep.columns, class_names=clf.classes_)

事实证明,在适合调用的结果上有一个稍微难以找到的属性:clf.classes_< /code>,其中包含类的文本再现。

 类似资料:
  • 如果我直接在构造函数中添加面板,它可以正常工作,但在控制器中则不行。当我在菜单上点击“Reservas”或“Contabilidad”选项之一时,我想更改显示的面板并查看其他内容。 这是我的观点 } 这是我的控制器 } panel对象只有一个jlabel,其中有一个hello要测试

  • 本文向大家介绍python基于ID3思想的决策树,包括了python基于ID3思想的决策树的使用技巧和注意事项,需要的朋友参考一下 这是一个判断海洋生物数据是否是鱼类而构建的基于ID3思想的决策树,供大家参考,具体内容如下 最后我们测试一下这个脚本即可,如果想把这个生成的决策树用图像画出来,也只是在需要在脚本里面定义一个plottree的函数即可。 以上就是本文的全部内容,希望对大家的学习有所帮助

  • 决策树 概述 决策树(Decision Tree)算法是一种基本的分类与回归方法,是最经常使用的数据挖掘算法之一。我们这章节只讨论用于分类的决策树。 决策树模型呈树形结构,在分类问题中,表示基于特征对实例进行分类的过程。它可以认为是 if-then 规则的集合,也可以认为是定义在特征空间与类空间上的条件概率分布。 决策树学习通常包括 3 个步骤:特征选择、决策树的生成和决策树的修剪。 决策树 场景

  • 决策树是一种常见的机器学习方法,它基于二元划分策略(类似于二叉树),如下图所示 一棵决策树包括一个根节点、若干个内部节点和若干个叶节点。叶节点对应决策的结果,而其他节点对应一个属性测试。决策树学习的目的就是构建一棵泛化能力强的决策树。决策树算法的优点包括 算法比较简单; 理论易于理解; 对噪声数据有很好的健壮性。 使用决策树进行决策的过程就是从根节点开始,测试待分类项中相应的特征属性,并按照其值选

  • 问题内容: 我有一个小问题。我想要一个可以上传和显示图像的Django应用。目前,它可以上传图片,但我无法显示该图片。 因此,例如{{comment.photo}}将打印出path 。但我想在屏幕上看到该图像。不是路径。如何将图像打印到屏幕上? 这里有一些信息可能会有所帮助。 models.py views.py home.html form.html 问题答案: 有关如何正确上传图像的信息,请参

  • 问题内容: 在我的一个类中,一种方法执行AJAX请求。在请求的回调函数中,我需要使用调用对象的另一个方法。但是在这种情况下并没有引用我的对象,所以我不知道该怎么做。 为了澄清,请考虑以下代码: 问题答案: 您可以定义一个变量存储在闭包中: 或使用$ .proxy: 或者,如果您不做任何事情,只需要调用回调: 在现代浏览器中,您也可以使用bind。当我不必与IE8兼容时,我可以

  • 接下来就要讲决策树了,这是一类很简单但很灵活的算法。首先要考虑决策树所具有的非线性/基于区域(region-based)的本质,然后要定义和对比基于区域算则的损失函数,最后总结一下这类方法的具体优势和不足。讲完了这些基本内容之后,接下来再讲解通过决策树而实现的各种集成学习方法,这些技术很适合这些场景。 1 非线性(Non-linearity) 决策树是我们要讲到的第一种内在非线性的机器学习技术(i

  • 和支持向量机一样, 决策树是一种多功能机器学习算法, 即可以执行分类任务也可以执行回归任务, 甚至包括多输出(multioutput)任务. 它是一种功能很强大的算法,可以对很复杂的数据集进行拟合。例如,在第二章中我们对加利福尼亚住房数据集使用决策树回归模型进行训练,就很好的拟合了数据集(实际上是过拟合)。 决策树也是随机森林的基本组成部分(见第 7 章),而随机森林是当今最强大的机器学习算法之一