Python 决策树模型构建及评估指标显示

Python 决策树模型构建及评估指标显示

本文将介绍如何使用 Python 构建决策树模型，并展示如何在跳出窗口提示中显示更详细的模型评价信息。

1. 模型构建

以下代码展示了构建决策树模型的基本步骤：

def build_clf():
    global data, clf,X_train,X_test,Y_train,Y_test
    #对用户输入值的合法性判断
    if data is None:
        messagebox.showerror('错误', '请先读取数据！')
        return
    
    # 创建决策树模型
    clf = DecisionTreeClassifier()

    # 训练模型
    clf.fit(X_train, Y_train)
    Y_pred = clf.predict(X_test)
    accuracy = accuracy_score(Y_test, Y_pred)
    precision = precision_score(Y_test, Y_pred, average='macro')
    recall = recall_score(Y_test, Y_pred, average='macro')
    f1 = f1_score(Y_test, Y_pred, average='macro')
    messagebox.showinfo('提示', f'模型构建成功！\n模型预测准确率：{accuracy:.2f}\n模型精确度：{precision:.2f}\n模型召回率：{recall:.2f}\n模型F1值：{f1:.2f}')

2. 模型评估指标显示

在上述代码中，我们使用 messagebox.showinfo() 函数在跳出窗口中显示模型的评估指标，包括准确率、精确度、召回率和 F1 值。这些指标可以帮助我们更全面地评估模型的性能。

3. 代码解释

• DecisionTreeClassifier()：创建决策树模型对象。
• clf.fit(X_train, Y_train)：使用训练数据训练模型。
• Y_pred = clf.predict(X_test)：使用训练好的模型预测测试集数据。
• accuracy_score(Y_test, Y_pred)：计算模型的准确率。
• precision_score(Y_test, Y_pred, average='macro')：计算模型的精确度。
• recall_score(Y_test, Y_pred, average='macro')：计算模型的召回率。
• f1_score(Y_test, Y_pred, average='macro')：计算模型的 F1 值。

总结

通过以上步骤，我们可以构建决策树模型并显示其评估指标。这些指标可以帮助我们更好地了解模型的性能，并指导我们进行模型优化。