怎么制作一个决策树分类器？

1、加载模块。

# -*- coding: utf-8 -*-

import numpy as np

import scipy as sp

from sklearn import tree

from sklearn.metrics import precision_recall_curve

from sklearn.metrics import classification_report

from sklearn.cross_validation import train_test_split

个别模块被别的东西取缔了，python给了我们一个提示。

2、把txt文档里面的数据读取出来：

data = []

labels = []

with open("D:/HintSoft/Hint-W7/Desktop/data.txt") as ifile:

    for line in ifile:

        tokens = line.strip().split(' ')

        data.append([float(tk) for tk in tokens[:-1]])

        labels.append(tokens[-1])

x = np.array(data)

labels = np.array(labels)

print(x)

print(labels)

3、把瘦用0代替，把胖用1代替：

y = np.zeros(labels.shape)

y[labels=='fat']=1

4、构造训练数据集和测试集：

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.2)

5、构造一个未训练的树状分类器：

f = tree.DecisionTreeClassifier(criterion='entropy')

用训练集来训练这个分类器：

f.fit(x_train, y_train)

训练的过程，就是拟合。

6、把训练的树状分类器保存下来：

with open("D:/HintSoft/Hint-W7/Desktop/.dot", 'w') as g:

    g = tree.export_graphviz(f, out_file=g)

打开dot文件，可以看到这个决策树的各参数。

7、用测试集对f进行测试：

answer = f.predict(x_test)

print(x_test)

print(answer)

print(y_test)

print(np.mean( answer == y_test))