顾客购买服装的分析与预测（决策树）_顾客购买决策树

实验内容

采用决策树算法，对“双十一”期间顾客是否买服装的数据集进行分析与预测。
顾客购买服装数据集：包含review（商品评价变量）、discount（打折程度）、needed（是否必需）、shipping（是否包邮）、buy（是否购买）。

实验要求

1.读取顾客购买服装的数据集（数据集路径：…/3_buy.csv），探索数据。
2.分别用ID3算法和CART算法进行决策树模型的配置、模型的训练、模型的预测、模型的评估。

数据集的展示：

实验代码

import pandas as pd
import numpy as np
from sklearn import tree
from sklearn import metrics
from sklearn.model_selection import train_test_split

#1.读取顾客购买服装的数据集（数据集路径：data/data76088/3_buy.csv），探索数据。
data=pd.read_csv("E:/python/SpyderCode/work/3_buy.csv")
data.info()
print(data.columns)
print(data.head())


#2.分别用ID3算法和CART算法进行决策树模型的配置、模型的训练、模型的预测、模型的评估。
X=data.iloc[:,0:4]
y=data.iloc[:,4:]
X=np.array(X.values)
y=np.array(y.values)
train_X,test_X,train_y,test_y=train_test_split(X,y,test_size=0.5)
#用ID3算法
#模型配置
model=tree.DecisionTreeClassifier(criterion='entropy')#ID3
#模型训练
model.fit(train_X,train_y)
#模型的预测
pre_y=model.predict(test_X)
#模型的评估
print("\nID3算法的准确率:",metrics.accuracy_score(test_y,pre_y))


#用CART算法
#模型配置
model2=tree.DecisionTreeClassifier(criterion='gini')#CART
#模型训练
model2.fit(train_X,train_y)
#模型的预测
pre_y=model2.predict(test_X)
#模型的评估
print("\nCART算法的准确率:",metrics.accuracy_score(test_y,pre_y))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39