使用随机森林对鸾尾花进行分类
导入所需的包
1 | import numpy as np |
##对种类进行需处理三种花分别为0,1,21
2
3
4
5def iris_type(s):
it = {b'Iris-setosa': 0,
b'Iris-versicolor': 1,
b'Iris-virginica': 2}
return it[s]
建立随机森林学习模型
‘花萼长度’,’花萼宽度’,’花瓣长度’,’花瓣宽度’,四种特种进行两两匹配
iris_feature = ‘花萼长度’,’花萼宽度’,’花瓣长度’,’花瓣宽度’
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35 mpl.rcParams['font.sans-serif'] = [u'simHei']
mpl.rcParams['axes.unicode_minus'] = False
path = 'iris.csv'
data = np.loadtxt(path,dtype=float,delimiter=',',converters={4:iris_type})
x_prime,y = np.split(data,(4,),axis=1)
features_paris = [(0,1),(0,2),(0,3),(1,2),(1,3),(2,3)]
plt.figure(figsize=(10,9),facecolor='#FFFFFF')
for i,pair in enumerate(features_paris):
#准备数据
x = x_prime[:,pair]
#随机森林学习
clf = RandomForestClassifier(n_estimators=200,criterion='entropy',max_depth=3)
dt_clf = clf.fit(x,y.ravel())
#画图
N,M = 500,500
x1_min,x1_max = x[:,0].min(),x[:,0].max()# 第0列的范围
x2_min, x2_max = x[:, 1].min(), x[:, 1].max() # 第1列的范围
t1 = np.linspace(x1_min, x1_max, N)
t2 = np.linspace(x2_min, x2_max, M)
x1, x2 = np.meshgrid(t1, t2) # 生成网格采样点
x_test = np.stack((x1.flat, x2.flat), axis=1) # 测试点
#训练集上的预测结果
y_hat = dt_clf.predict(x)
y = y.reshape(-1)
c = np.count_nonzero(y_hat==y)# 统计预测正确的个数
print('特征: ', iris_feature[pair[0]], ' + ', iris_feature[pair[1]],)
print('\t预测正确数目:', c,)
print('\t准确率: %.2f%%' % (100 * float(c) / float(len(y))))
特征: 花萼长度 + 花萼宽度
预测正确数目: 123
准确率: 82.00%
特征: 花萼长度 + 花瓣长度
预测正确数目: 142
准确率: 94.67%
特征: 花萼长度 + 花瓣宽度
预测正确数目: 145
准确率: 96.67%
特征: 花萼宽度 + 花瓣长度
预测正确数目: 143
准确率: 95.33%
特征: 花萼宽度 + 花瓣宽度
预测正确数目: 144
准确率: 96.00%
特征: 花瓣长度 + 花瓣宽度
预测正确数目: 145
准确率: 96.67%
学习结果可视化
1 | #显示 |
最后更新: 2019年03月15日 14:54
原始链接: https://zem12345678.github.io/2019/03/15/使用随机森林对鸾尾花进行分类/