数据挖掘实验——决策树归纳_数据挖掘对餐饮数据构建决策树

一、实验目的

决策树分类法是一种简单但却广泛使用的分类技术。本实验主要目的是培养学生能够掌握决策树归纳法，并用python程序实现决策树分类法对数据进行分类。

二、实验要求

学习掌握数据分类方法中的决策树归纳法。

三、实验内容

就餐饮企业而言，经常会碰到这样的问题：如何基于天气（好天气：1，坏天气：-1）、节假日（是周末：1，不是周末：-1）和是否有促销（有促销：1，没有促销：-1）等影响因素，对菜品销量进行预测。根据下表给定的餐饮销量数据，使用基于信息熵的决策树算法（ID3算法）对菜品销量的高低进行预测。

要求：需要对所构建的决策树进行可视化，可以直接调用决策树相关函数。

参考资料：

[1]https://blog.csdn.net/weixin_48077303/article/details/115178755

[2]https://www.cnblogs.com/lifz-ml/p/15526494.html

[3]https://www.csdn.net/tags/MtjaEgxsMTYzMDMtYmxvZwO0O0OO0O0O.html

[4]https://zhuanlan.zhihu.com/p/403848058

表1 餐饮销量数据

四、实验结果和分析

代码部分

import pandas as pd
 
inputfile = './sales_data.xls'
data = pd.read_excel(inputfile, index_col=u'序号')  # 导入数据以序号为索引列
 
data[data == u'高'] = 1  # 把高和非高换为1和-1
data[data != 1] = -1
 
x = data.iloc[:, :3].values.astype(int)
y = data.iloc[:, 3].values.astype(int)
print('x:')
print(x)
print("")
print('y:')
print(y)
 
from sklearn.tree import DecisionTreeClassifier as DTC
 
dtc = DTC(criterion='entropy')  # 建立决策树模型，基于信息熵
dtc.fit(x, y)  # 训练模型
# 导入相关函数，可视化决策树。
 
from sklearn.tree import export_graphviz
 
x = pd.DataFrame(x)
x = pd.DataFrame(x)
 
with open("./tree.dot", 'w') as f:
    f = export_graphviz(dtc, feature_names=x.columns, out_file=f)
 

运行结果

x:
[[-1 -1 -1]
 [-1  1  1]
 [-1  1  1]
 [-1  1  1]
 [-1 -1  1]
 [-1  1  1]
 [-1 -1  1]
 [-1  1 -1]
 [ 1  1  1]
 [ 1  1 -1]
 [ 1  1  1]
 [ 1  1  1]
 [ 1  1  1]
 [ 1  1  1]
 [-1  1  1]
 [ 1 -1  1]
 [ 1 -1  1]
 [ 1 -1  1]
 [ 1 -1  1]
 [ 1 -1 -1]
 [-1 -1 -1]
 [-1 -1  1]
 [-1 -1  1]
 [-1 -1  1]
 [-1 -1 -1]
 [-1  1 -1]
 [ 1 -1  1]
 [ 1 -1  1]
 [-1 -1 -1]
 [-1 -1 -1]
 [ 1 -1 -1]
 [-1  1 -1]
 [ 1 -1  1]
 [ 1 -1 -1]
 [ 1 -1 -1]]
 
y:
[-1  1  1  1  1  1  1  1  1  1  1  1  1  1 -1  1  1  1  1  1 -1 -1 -1 -1
 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1]
 
Process finished with exit code 0

实验分析