随机森林处理鸢尾花数据实践

下面介绍随机森林处理鸢尾花数据的python实践，不清楚随机森林原理的科研参考我的笔记https://blog.csdn.net/qq_43468729/article/details/84722248
开始撸代码~~

首先导入相关包并进行数据预处理

import numpy as np import matplotlib.pyplot as plt import matplotlib as mpl from sklearn.ensemble import RandomForestClassifier def iris_type(s): it = {'Iris-setosa': 0, 'Iris-versicolor': 1, 'Iris-virginica': 2} return it[s.decode('utf-8')] # 'sepal length', 'sepal width', 'petal length', 'petal width' iris_feature = u'花萼长度', u'花萼宽度', u'花瓣长度', u'花瓣宽度' if __name__ == "__main__": mpl.rcParams['font.sans-serif'] = [u'SimHei'] # 黑体 FangSong/KaiTi mpl.rcParams['axes.unicode_minus'] = False path = '..8.Regression8.iris.data' # 数据文件路径 data = np.loadtxt(path, dtype=float, delimiter=',', converters={4: iris_type}) x_prime, y = np.split(data, (4,), axis=1) feature_pairs = [[0, 1], [0, 2], [0, 3], [1, 2], [1, 3], [2, 3]] plt.figure(figsize=(10, 9), facecolor='#FFFFFF')

接着随机对特征集中取两个特征进行建模

x = x_prime[:, pair] # 随机森林 200颗树 以熵下降最快为准则 深度为4 clf = RandomForestClassifier(n_estimators=200, criterion='entropy', max_depth=4) rf_clf = clf.fit(x, y.ravel()) 12345

此处随机森林的参数可以选择以叶子结点的样本数为条件，这里选择的是决策树的深度

画图：

y_hat = rf_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)))) # 显示 cm_light = mpl.colors.ListedColormap(['#A0FFA0', '#FFA0A0', '#A0A0FF']) cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b']) y_hat = rf_clf.predict(x_test) # 预测值 y_hat = y_hat.reshape(x1.shape) # 使之与输入的形状相同 plt.subplot(2, 3, i+1) plt.pcolormesh(x1, x2, y_hat, cmap=cm_light) # 预测值 plt.scatter(x[:, 0], x[:, 1], c=y, edgecolors='k', cmap=cm_dark) # 样本 plt.xlabel(iris_feature[pair[0]], fontsize=14) plt.ylabel(iris_feature[pair[1]], fontsize=14) plt.xlim(x1_min, x1_max) plt.ylim(x2_min, x2_max) plt.grid()

由于设置了200颗数，四个特征两两组合有六种情况，运算的速度稍微有点慢
最后可以得到如下数据 从图中可以看到 选择 花瓣长度 + 花瓣宽度特征预测最为准确

特征： 花萼长度 + 花萼宽度预测正确数目： 125准确率: 83.33% 特征： 花萼长度 + 花瓣长度预测正确数目： 144准确率: 96.00% 特征： 花萼长度 + 花瓣宽度预测正确数目： 146准确率: 97.33% 特征： 花萼宽度 + 花瓣长度预测正确数目： 145准确率: 96.67% 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%

相关知识

【机器学习】随机森林处理数据实践（基于R语言）
决策树对鸢尾花数据的处理实践
日常学习记录——支持向量机、随机森林对鸢尾花数据集进行分类
鸢尾花分类预测实战：随机森林模型
鸢尾花——随机森林分类模型(RandomForestClassifier)
鸢尾花数据集深度分析：机器学习的入门实践
对鸢尾花数据集使用随机森林分类模型，输出评价指标
【机器学习小实验5】基于决策树和随机森林的鸢尾花种类预测
鸢尾花数据集分类
R语言数据分析案例：鸢尾花（IRIS）

网址: 随机森林处理鸢尾花数据实践 https://www.huajiangbk.com/newsview1946997.html