使用决策树分类器进行花朵分类

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

以下内容转自 数析学院，只节选了部分，有需要的同学可以直接查看原文

创建一个 demo 机器学习模型，模型从花朵(萼片长度，萼片宽度，花瓣长度和花瓣宽度)进行四次测量，并根据这些测量值来识别物种。

开始将数据读入 pandas DataFrame。

1. import pandas as pd
   
2. 
   
3. iris_data = pd.read_csv('iris-data.csv')
   
4. iris_data.head()

复制代码

数据文件中的第一行定义了列名，描述足以让我们了解每列所代表的内容，甚至给了记录测量的单位。
第一行后面的每一行代表一个花的观测值：四个测量值和一个类，告诉我们花的种类。
首先，我们要找缺失数据。 值得庆幸的是，研究人员告诉我们，当他们缺少测量值时，会将“NA”填入电子表格中。
如果 pandas 知道缺失值标记，我们可以告诉 pandas 自动识别缺失值。

1. iris_data = pd.read_csv('iris-data.csv', na_values=['NA'])

复制代码

接下来，观察数据的分布 - 特别是离群值。

我们首先打印一些关于数据集的汇总数据。

1. iris_data.describe()

复制代码

我们可以从这个表中看到几个有用的值。

不过，像这样的表很少有用，除非我们知道我们的数据应该在一个特定的范围内。通常以某种方式可视化更好。可视化使得异常值和错误立即脱颖而出，否则它们可能在一大张数字表格中被忽视。

进行 notebook 绘图设置

1. %matplotlib inline
   
2. 
   
3. import matplotlib.pyplot as plt
   
4. import seaborn as sb

复制代码

接下来，我们来创建一个 scatterplot matrix。scatterplot matrix 沿着对角线绘制每列的分布，然后绘制每个变量的组合的散点图矩阵。它们为查找数据中的错误提供了一种有效的工具。

1. # 我们不得不暂时删除有 “NA” 值的行，因为Seaborn绘图函数不知道怎么处理它们
   
2. sb.pairplot(iris_data.dropna(), hue='class')

复制代码

从 scatterplot matrix，我们可以看到数据集的一些问题：

出现五个类，本应该只有三个，意味着有一些编码错误。

在测量中有一些明显的异常值可能是错误的： Iris-setosa 的 sepal_width_cm 条目在正常范围之外，几个 Iris-versicolor 的  sepal_length_cm 条目接近零。

我们不得不删除那些含有缺少值的行。

在这些情况下，我们需要弄清楚如何处理错误的数据。下面进入下一步整理数据

以上内容节选自 数析学院，原文内容较多，先搬运到这，后续有时间再补充，有需要的同学可以先直接到 数析学院 最新课程查看原文

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏2 回帖

关键词：决策树 分类器 scatterplot Matplotlib Dataframe