标签决策树

Question

我需要做一个决策树，并通过图形上的标签来表示数据（如两个插图所示）。我对决策树没有问题，不幸的是，点没有输入图形中。我尝试了代码中的几个变化。代码来自Scikit Learning网站在iris数据集上绘制决策树的决策面

下面有一个使用的数据示例（X、Y、C5）（来自Excel文件）：

Path = "Documents/Apprentissage/Python/Script/ClustAllRepres12.xlsx"
Wordbook = xlrd.open_workbook(Path)
Sheet = Wordbook.sheet_by_index(0)

X=[]
Y=[]
C5=[]

for i in range(1, Sheet.nrows):
    X.append(Sheet.cell_value(i, 0))
    Y.append(Sheet.cell_value(i, 1))
    C5.append(Sheet.cell_value(i, 8))    

X

输出[]：[8.0、9.0、9.0、9.0、9.0、10.0、10.0、11.0、11.0、11.0、11.0、12.0、12.0、12.0、12.0、13.0、13.0、13.0、14.0、14.0、15.0、15.0、15.0、15.0、16.0、16.0、17.0、17.0、17.0、18.0 18.0、18.0、18.0、18.0、19.0、19.0、19.0、19.0、19.0、19.0、20.0、21.0、21.0、22.0]

type(X)

输出[]：列表

Y

输出[]：[45.0、17.0、18.0、24.0、25.0、27.0、36.0、38.0、39.0、24.0、37.0、40.0、24.0、31.0、35.0、36.0、37.0、39.0、32.0、33.0、35.0、43.0、27.0、31.0、35.0、42.0、42.0、28.0、32.0、35.0、43.0、51.0 52.0、17.0、19.0、53.0、49.0、51.0、53.0、58.0、16.0、58.0、59.0、50.0、52.0、54.0]

type(Y)

输出[]：列表

C5

出[]：[2.0, 4.0, 3.0, 3.0, 3.0, 4.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 1.0, 4.0, 1.0, 3.0, 1.0, 1.0, 1.0, 1.0, 3.0, 1.0, 3.0, 1.0, 5.0, 1.0, 3.0, 1.0, 1.0, 4.0, 4.0, 4.0, 1.0, 5.0, 1.0, 5.0, 2.0, 5.0, 5.0, 5.0, 5.0, 5.0, 5.0]

type(C5)

输出[]：列表

有来自Scikit学习网站的代码：

import pandas as pd 
import numpy as np
import xlrd
import matplotlib.pyplot as plt

df_list = pd.DataFrame(
    {'X': X,
     'Y': Y,
    }) 
df = df_list.iloc[:,0:2].values  #transform to float type 

import sklearn
from sklearn.tree import DecisionTreeClassifier, plot_tree

#parameters
n_classes = 5
plot_colors = "ryb"
plot_step = 0.02

for pairidx, pair in enumerate([[0, 1], [0, 2], [0, 3],[1, 2], [1, 3], [2, 3]]):
    # We only take the two corresponding features
    X = df #gives better result without [:, pair]
    y = C5

#train
clf = DecisionTreeClassifier().fit(X, y)

#plot the decision boundary
plt.subplot(2, 3, pairidx +1)
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, plot_step),
                     np.arange(y_min, y_max, plot_step))
plt.tight_layout(h_pad=0.5, w_pad=0.5, pad=2.5)

Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
cs = plt.contourf(xx, yy, Z, cmap=plt.cm.RdYlBu)

# Plot the training points
for i, color in zip(range(n_classes), plot_colors):
    idx = np.where(y == i)
    plt.scatter(X[idx, 0], X[idx, 1], c=color, label=C5[i],
                cmap=plt.cm.RdYlBu, edgecolor='black', s=15)
plt.suptitle("Decision surface of a decision tree using paired features")
plt.legend(loc='lower right', borderpad=0, handletextpad=0)
plt.axis("tight")
plt.figure()
clf = DecisionTreeClassifier().fit(df_list, C5)
plot_tree(clf, filled=True)
plt.show()

这是我的图表：

如你所见，这些点在图中没有表示出来。我举了一个等待结果的例子：

Answer 1

idx=np。式中（y==i）

在这一行中，y是一个列表，用于返回等于i（变量）的列表索引，只需将其转换为列表以进行数组即可，一切正常

所以只需在绘制散点图之前添加这条线

**y = np.asarray(y)** # convert list to array since where will work for array only
# Plot the training points
for i, color in .....