使用决策树算法对df14=rock数据集进行建模

使用决策树算法对df14=rock数据集进行建模

本文将介绍如何使用Python的Scikit-learn库中的决策树算法对df14=rock数据集进行建模。

1. 导入库和数据集

首先，需要导入相关的库和数据集：

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

df14 = pd.read_csv('rock.csv')

2. 数据预处理

接下来，需要进行数据预处理，将目标变量转换为二元变量：

df14['class'] = df14['class'].apply(lambda x: 1 if x == 'M' else 0)

3. 划分训练集和测试集

然后，将数据集分为训练集和测试集：

X = df14.drop('class', axis=1)
y = df14['class']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

4. 建模

最后，使用决策树算法进行建模：

clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)

y_pred = clf.predict(X_test)
accuracy_score(y_test, y_pred)

完整代码

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

df14 = pd.read_csv('rock.csv')

df14['class'] = df14['class'].apply(lambda x: 1 if x == 'M' else 0)

X = df14.drop('class', axis=1)
y = df14['class']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)

y_pred = clf.predict(X_test)
accuracy_score(y_test, y_pred)

注意：

• 为了保证代码的正确运行，请确保已安装了必要的Python库，例如pandas、numpy和Scikit-learn。
• 数据集文件'rock.csv'需要放置在代码所在的目录下。
• 代码中使用的参数可以根据实际情况进行调整，例如测试集的比例和随机数种子。