Vežba 7: Stablo odlučivanja

Evo jednostavne vežbe Jupiter Notebook za učenike da nauče o stablima odlučivanja. Ova vežba će ih voditi kroz učitavanje skupa podataka, obuku modela stabla odlučivanja i procenu njegovog učinka.

Vežba: Klasifikacija pomoću stabla odlučivanja

Cilj: Učitajte skup podataka. Obučite model stabla odlučivanja. Procenite performanse modela.

Preduslovi:Instalirajte biblioteku scikit-learn. Koristite jednostavan skup podataka kao što je Iris skup podataka.

Korak 1: Instalirajte potrebne biblioteke:

%pip install scikit-learn

Korak 2: Uvoz biblioteka:

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
from sklearn import tree

Korak 3: Učitajte skup podataka:

# Load the Iris dataset
iris = datasets.load_iris()
X = iris.data
y = iris.target

Korak 4: Podijelite skup podataka:

# Split the dataset into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

Korak 5: Obučite model stabla odlučivanja:

# Initialize and train the decision tree model
model = DecisionTreeClassifier()
model.fit(X_train, y_train)

Korak 6: Napravite predviđanja:

# Make predictions on the test set
y_pred = model.predict(X_test)

Korak 7: Procenite model:

# Evaluate the model's performance
accuracy = accuracy_score(y_test, y_pred)
cm = confusion_matrix(y_test, y_pred)
cr = classification_report(y_test, y_pred)
print(f'Accuracy: {accuracy}')
print('Confusion Matrix:')
print(cm)
print('Classification Report:')
print(cr)

Korak 8: Vizualizujte stablo odlučivanja:

# Visualize the decision tree
plt.figure(figsize=(20,10))
tree.plot_tree(model, filled=True, feature_names=iris.feature_names, class_names=iris.target_names, rounded=True)
plt.show()

Uputstvo za studente:

1. Pratite korake da biste instalirali potrebne biblioteke i učitali skup podataka.

2. Obučite model stabla odlučivanja i procenite njegove performanse.

3. Izmenite kod da biste koristili različite skupove podataka ili dodali više funkcija modelu.

4. Istražite uticaj različitih hiperparametara na performanse modela.