Cvičenie 7: Rozhodovací strom

Tu je jednoduché cvičenie Jupyter Notebook pre študentov, aby sa dozvedeli o rozhodovacích stromoch. Toto cvičenie ich prevedie načítaním množiny údajov, trénovaním modelu rozhodovacieho stromu a vyhodnotením jeho výkonu.

Cvičenie: Klasifikácia pomocou rozhodovacieho stromu

Cieľ:Načítanie množiny údajov. Trénovanie modelu rozhodovacieho stromu. Vyhodnoťte výkonnosť modelu.

Požiadavky:Nainštalujte knižnicu scikit-learn. Použite jednoduchú množinu údajov, ako je napríklad množina údajov Iris.

Krok 1: Nainštalujte požadované knižnice:

%pip install scikit-learn

Krok 2: Import knižníc:

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

Krok 3: Načítanie množiny údajov:

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

Krok 4: Rozdelenie množiny údajov:

# 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)

Krok 5: Trénovanie modelu rozhodovacieho stromu:

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

Krok 6: Urobte predpovede:

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

Krok 7: Vyhodnoťte 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)

Krok 8: Vizualizácia rozhodovacieho stromu:

# 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()

Pokyny pre študentov:

1. Podľa pokynov nainštalujte požadované knižnice a načítajte množinu údajov.

2. Trénujte model rozhodovacieho stromu a vyhodnoťte jeho výkon.

3. Upravte kód tak, aby používal rôzne množiny údajov, alebo pridajte do modelu ďalšie funkcie.

4. Preskúmajte vplyv rôznych hyperparametrov na výkon modelu.