元音數(shù)據(jù)決策樹(shù)分類

數(shù)據(jù)挖掘技術(shù)與應(yīng)用元音數(shù)據(jù)決策樹(shù)分類實(shí)訓(xùn)實(shí)訓(xùn)目標(biāo)理解決策樹(shù)算法的核心步驟。利用Python實(shí)現(xiàn)算法應(yīng)用，提升編程技能。通過(guò)數(shù)據(jù)集的部分樣本訓(xùn)練構(gòu)造決策樹(shù)模型。調(diào)用構(gòu)建好的決策樹(shù)模型對(duì)測(cè)試集樣本進(jìn)行預(yù)測(cè)，并求出測(cè)試精度。實(shí)訓(xùn)環(huán)境使用3.6版本的Python。使用jupyternotebook或PyCharm2018社區(qū)版作為代碼編輯器。numpy、pandas、sklearn實(shí)訓(xùn)數(shù)據(jù)數(shù)據(jù)由三維數(shù)組組成：元音數(shù)據(jù)[揚(yáng)聲器，元音，輸入]。揚(yáng)聲器由0-89整數(shù)索引。（實(shí)際上，有十五個(gè)單獨(dú)的揚(yáng)聲器，每個(gè)揚(yáng)聲器說(shuō)六次元音。）這些元音由0-10的整數(shù)索引。對(duì)于每種發(fā)音，都有十個(gè)浮點(diǎn)輸入值，數(shù)組索引為0-9。問(wèn)題是只使用來(lái)自“揚(yáng)聲器”0-47的數(shù)據(jù)來(lái)訓(xùn)練網(wǎng)絡(luò)，然后在揚(yáng)聲器48-89上測(cè)試網(wǎng)絡(luò)，報(bào)告測(cè)試集中正確分類的數(shù)量。連接主義的問(wèn)題分為兩類，可能的和不可能的。他對(duì)后者很感興趣，因?yàn)楹笳咭馕吨鴽](méi)有確切解決方案的問(wèn)題。因此，這里的問(wèn)題不是看網(wǎng)絡(luò)訓(xùn)練的速度有多快（盡管這很重要），而是要使性能欠佳的性能最大化實(shí)訓(xùn)內(nèi)容導(dǎo)入必要的庫(kù)。導(dǎo)入數(shù)據(jù)集。獲取特征值。獲取標(biāo)簽。隨機(jī)劃分訓(xùn)練集和測(cè)試集創(chuàng)建模型對(duì)測(cè)試集進(jìn)行預(yù)測(cè)并將結(jié)果與label進(jìn)行對(duì)比，計(jì)算準(zhǔn)確度元音數(shù)據(jù)決策樹(shù)分類實(shí)現(xiàn)代碼導(dǎo)入數(shù)據(jù)包fromsklearn.model_selectionimporttrain_test_split,cross_val_scorefromsklearn.treeimportDecisionTreeClassifierimportnumpyasnpimportpandasaspd數(shù)據(jù)說(shuō)明數(shù)據(jù)由三維數(shù)組組成：元音數(shù)據(jù)[揚(yáng)聲器，元音，輸入]。揚(yáng)聲器由0-89整數(shù)索引。（實(shí)際上，有十五個(gè)單獨(dú)的揚(yáng)聲器，每個(gè)揚(yáng)聲器說(shuō)六次元音。）這些元音由0-10的整數(shù)索引。對(duì)于每種發(fā)音，都有十個(gè)浮點(diǎn)輸入值，數(shù)組索引為0-9。問(wèn)題是只使用來(lái)自“揚(yáng)聲器”0-47的數(shù)據(jù)來(lái)訓(xùn)練網(wǎng)絡(luò)，然后在揚(yáng)聲器48-89上測(cè)試網(wǎng)絡(luò)，報(bào)告測(cè)試集中正確分類的數(shù)量。連接主義的問(wèn)題分為兩類，可能的和不可能的。他對(duì)后者很感興趣，因?yàn)楹笳咭馕吨鴽](méi)有確切解決方案的問(wèn)題。因此，這里的問(wèn)題不是看網(wǎng)絡(luò)訓(xùn)練的速度有多快（盡管這很重要），而是要使性能欠佳的性能最大化導(dǎo)入數(shù)據(jù)集df=pd.read_csv(r'data\vowel.data',sep="\\s+",header=None)獲取特征值X=df.iloc[:,3:13]獲取標(biāo)簽Y=df.iloc[:,13]隨機(jī)劃分訓(xùn)練集和測(cè)試集X_train,X_test,y_train,y_test=train_test_split(X,Y,test_size=0.2,random_state=6)創(chuàng)建模型model=DecisionTreeClassifier(random_state=5).fit(X_train,y_train)對(duì)測(cè)試集進(jìn)行預(yù)測(cè)pre=model.predict(X_test)并將結(jié)果與label進(jìn)行對(duì)比，計(jì)算準(zhǔn)確度print("準(zhǔn)確度為：{:.3f}".format(np.mean(pre=