《机器学习实战》是一本广受欢迎的机器学习实战书本，主要内容包含机器学习根底、监督学习算法、无监督学习算法以及一些隶属东西。书中经过精心编列的实例，运用高效的Python代码来阐释怎么处理统计数据、进行数据剖析和可视化。这本书合适期望了解深度学习并对实际运用深度学习感兴趣的大学生、工程师和研究人员。

资源获取办法

1. 书本简介与代码示例：

2. 源代码下载：

3. 其他资源：

书本内容概览

榜首部分：分类 机器学习根底 k近邻算法 决议计划树 根据概率论的分类办法：朴素贝叶斯 Logistic回归 支撑向量机 运用AdaBoost元算法进步分类功能

第二部分：运用回归猜测数值型数据 猜测数值型数据：回归 树回归

第三部分：无监督学习 运用K均值聚类算法对未标示数据分组 运用Apriori算法进行相关剖析 运用FPgrowth算法来高效发现频频项集

第四部分：其他东西 运用PCA来简化数据 运用SVD简化数据 大数据与MapReduce

获取书本和代码的过程

1. 重视大众号获取资源： 重视“AI有道”大众号，回复关键词“ML1”获取《机器学习实战》书本的英文版和中文版，包含一切章节的源代码程序。

2. GitHub下载代码： 拜访下载根据Python3的源代码。

机器学习实战——根据Python的决议计划树完成

一、决议计划树简介

决议计划树是一种根据树形结构的数据发掘办法，经过一系列的决议计划规矩对数据进行分类或回归。每个节点代表一个特征，每个分支代表一个决议计划规矩，终究抵达叶节点得到分类或回归成果。

二、Python完成决议计划树

在Python中，咱们能够运用scikit-learn库来完成决议计划树。首要，需求装置scikit-learn库，能够运用pip指令进行装置：

pip install scikit-learn

三、数据预备

from sklearn.datasets import load_iris

iris = load_iris()

X = iris.data

y = iris.target

四、练习决议计划树模型

运用scikit-learn的DecisionTreeClassifier类来练习决议计划树模型。这儿咱们设置决议计划树的最大深度为3，以避免过拟合。

from sklearn.tree import DecisionTreeClassifier

clf = DecisionTreeClassifier(max_depth=3)

clf.fit(X, y)

五、猜测与评价

运用练习好的模型对新的数据进行猜测，并评价模型的准确率。

from sklearn.metrics import accuracy_score

随机生成一些测试数据

X_test = [[5.1, 3.5, 1.4, 0.2], [6.7, 3.0, 5.2, 2.3]]

y_pred = clf.predict(X_test)

print(\

未经允许不得转载：全栈博客园 » 机器学习实战 代码,机器学习实战——根据Python的决议计划树完成