决策树实现预测是否购买点电脑_人工智能决策树客户是否购买计算机

Python机器学习的库：scikit-learn

• 简单高效的数据挖掘和机器学习分析

• 对所有用户开放，根据不同需求高度可重用性

• 基于Numpy, SciPy和matplotlib(如果大家需要关于数据分析方面的笔记，可查看公众号以前的文章，有什么好的学习经验或者技术可与作者取得联系，加入[码龙社]技术交流群，一起学习，共同进步)

• 开源，商用级别：获得 BSD许可

这里就用上一篇文章的案例

文档： http://scikit-learn.org/stable/modules/tree.html

这里仅截取核心代码，全部代码已上传相关微信群

for row in reader:
    # 取每一行最后一个值，即Class_buys_computer的值
    labelList.append(row[len(row)-1])
    # 对每一行进行取特征值，从age到credit_rating取值
    rowDict = {}
    for i in range(1, len(row)-1):
        rowDict[headers[i]] = row[i]
    featureList.append(rowDict)
1
2
3
4
5
6
7
8

对表格数据进行取值后，需要将数据格式化成决策树函数所能识别的格式

# 实例DictVectorizer对象
vec = DictVectorizer()
# 转化成需要的格式，及所有特征进行矩阵化
dummyX = vec.fit_transform(featureList) .toarray()
1
2
3
4
5

将结果写入到dot文档中

# 可视化模型
with open("allElectronicInformationGainOri.dot", 'w') as f:
    f = tree.export_graphviz(clf, feature_names=vec.get_feature_names(), out_file=f)
1
2
3
4

到这一步，可以说已经训练成功了，现在我添加一个新人，让机器自动学习，判断他到底是买还是不买电脑

oneRowX = dummyX[0, :]
print("oneRowX: " + str(oneRowX))

newRowX = oneRowX

# 将第一个人的数据的第一个值和第三个值修改，age改为middle_aged
# 将年轻人变位中年人
newRowX[0] = 1
newRowX[2] = 0
print("newRowX: " + str(newRowX))

predictedY = clf.predict(newRowX)
print("predictedY: " + str(predictedY))
1
2
3
4
5
6
7
8
9
10
11
12
13
14

判断结果：

[1]
1

那么，呵呵，这位顾客就会买，如果你现在是电脑商城的小姐姐，知道怎么做了吧？

微信公众号首发，欢迎关注，可进相关群，互相学习，共同进步！