《數(shù)據(jù)挖掘與機器學(xué)習(xí)》 課件5.2 構(gòu)建加工廠玻璃類別識別模型

構(gòu)建加工廠玻璃類別識別模型加工廠玻璃類別識別——決策樹、隨機森林任務(wù)描述對于玻璃加工廠來說，對生產(chǎn)出來的玻璃進行分類識別，有助于提高生產(chǎn)效率、降低生產(chǎn)成本和提高產(chǎn)品質(zhì)量。隨著人工智能技術(shù)的不斷發(fā)展，自動化生產(chǎn)已成為工業(yè)發(fā)展的趨勢。為了響應(yīng)科技強國政策，某玻璃加工廠需要對不同玻璃的類別進行自動識別。任務(wù)要求使用sklearn庫構(gòu)建決策樹模型。決策樹決策樹決策樹是一種常見的分類和回歸模型，其基本思想是通過一系列的問答，將數(shù)據(jù)逐步分類或回歸至最終結(jié)果。要堅持問題導(dǎo)向，問題是時代的聲音，回答并指導(dǎo)解決問題是理論的根本任務(wù)。什么是決策樹？蘋果紅色綠色硬軟硬軟好蘋果壞蘋果壞蘋果好蘋果在決策樹模型中，每個節(jié)點表示一個特征或?qū)傩?，分支表示這個特征或?qū)傩缘娜≈担~子節(jié)點表示最終的分類或回歸結(jié)果。通過不斷地對數(shù)據(jù)進行分類或回歸，決策樹可以逐步劃分出不同的類別或預(yù)測結(jié)果。決策樹決策樹生成過程1特征選擇：選擇最優(yōu)的特征或?qū)傩宰鳛楫?dāng)前節(jié)點，以使得每個子節(jié)點的純度或信息熵最大化。信息中排除了冗余后的平均信息量稱為“信息熵”。2樹的生成：根據(jù)選擇的特征或?qū)傩?，將?shù)據(jù)集劃分為不同的子集，生成子節(jié)點。遞歸生成子樹：對每個子節(jié)點重復(fù)特征選擇和樹的生成，直到滿足停止條件，如到達預(yù)定的樹的深度、葉子節(jié)點數(shù)量達到預(yù)定值等。3決策樹使用sklearn庫中的DecisionTreeClassifier類建立決策樹模型，其基本使用格式如下。classsklearn.tree.DecisionTreeClassifier(*,criterion='gini',splitter='best',max_depth=None,min_samples_split=2,min_samples_leaf=1)決策樹DecisionTreeClassifier類常用的參數(shù)及說明如下。參數(shù)名稱說明min_samples_split接收int或float，表示進行劃分的最小樣本數(shù)。默認值為2min_samples_leaf接收int或float，表示葉子節(jié)點最少樣本數(shù)。默認值為1criterion接收str，表示決策樹的衡量標準?？梢允?gini"或"entropy"。默認值為"gini"splitter接收str，表示決策樹節(jié)點的拆分策略，默認為"best"max_depth接收int，表示樹的最大深度。默認為"None"決策樹籃球世界杯是全球籃球迷引領(lǐng)狂歡的盛宴，但由于決賽階段的參賽隊伍數(shù)量有限，許多球隊最終只能在預(yù)選賽中結(jié)束征程，對于這些國家的球迷而言預(yù)選賽的比賽結(jié)果尤為重要。但是籃球比賽的結(jié)果常常難以預(yù)測，往往需要在比賽的最后幾分鐘才能決定勝負。因此，在籃球運動中，對于勝負的預(yù)測較為困難。體育強國，籃球是最為重要的元素之一，促進群眾體育和競技體育全面發(fā)展。通過運用決策樹算法，可以對各支隊伍的勝負進行預(yù)測和分析。決策樹下表是關(guān)于籃球各隊得分與勝負的數(shù)據(jù)集，PTS(visitor)表示客隊獲勝，PTS(home)表示主隊獲勝，win/lose表示客隊獲勝與否，獲勝為1失敗為0。PTS(visitor)PTS(home)win/lose871050100108011311211001030831110使用DecisionTreeClassifier類構(gòu)建決策樹模型，對籃球勝負進行預(yù)測。決策樹決策樹模型的優(yōu)點是易于理解和解釋，同時可以處理非線性關(guān)系。它還可以處理多分類問題和連續(xù)性特征的數(shù)據(jù)。此外，決策樹還可以在訓(xùn)練集上進行有效的特征選擇，剔除掉冗余的特征，提高模型的泛化能力。然而，決策樹模型也存在一些缺點：容易過擬合，特別是當(dāng)樹的深度很大或訓(xùn)練樣本數(shù)量不足時；決策樹模型對數(shù)據(jù)中的噪聲和異常值比較敏感；決策樹模型生成的樹可能很復(fù)雜，難以解釋和可視化。在實際應(yīng)用中，為了克服決策樹模型的缺點，通常會采用剪枝策略、集成學(xué)習(xí)、隨機森林等技術(shù)進行改進和優(yōu)化，從而提高決策樹模型的性能和魯棒性。決策樹模型優(yōu)缺點決策樹導(dǎo)入開發(fā)庫拆分訓(xùn)練集和測試集構(gòu)建模型評估決策樹模型構(gòu)建加工廠玻璃類別識別模型主要通過以下4個步驟實現(xiàn)。使用import和from導(dǎo)入train_test_split、DecisionTreeClassifier、accuracy_score、recall_score、confusion_matrix等開發(fā)類庫.使用train_test_split類拆分為訓(xùn)練集和測試集使用sklearn庫的DecisionTreeClassifier類建立決策樹模型