數(shù)據(jù)挖掘技術(shù)與應(yīng)用體能訓(xùn)練數(shù)據(jù)決策樹分類實(shí)訓(xùn)實(shí)訓(xùn)目標(biāo)理解決策樹算法的核心步驟。利用Python實(shí)現(xiàn)算法應(yīng)用，提升編程技能。通過數(shù)據(jù)集的部分樣本訓(xùn)練構(gòu)造決策樹模型。調(diào)用構(gòu)建好的決策樹模型對測試集樣本進(jìn)行預(yù)測，并求出測試精度。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)蘭納胡德提供的體能訓(xùn)練數(shù)據(jù)，data和target都是20x3，data的特征包括Chins,SitupsandJumps.(引體向上仰臥起坐跳躍)，target的三維分別是Weight,WaistandPulse.(體重腰圍脈搏)。實(shí)訓(xùn)內(nèi)容導(dǎo)入必要的庫。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)練集和測試集創(chuàng)建模型對測試集進(jìn)行預(yù)測并將結(jié)果與label進(jìn)行對比，計算準(zhǔn)確度體能訓(xùn)練數(shù)據(jù)決策樹分類實(shí)現(xiàn)代碼導(dǎo)入數(shù)據(jù)包fromsklearn.model_selectionimporttrain_test_split,cross_val_scorefromsklearn.treeimportDecisionTreeClassifierfromsklearnimportdatasetsimportnumpyasnp數(shù)據(jù)說明：蘭納胡德提供的體能訓(xùn)練數(shù)據(jù)，data和target都是20x3，data的特征包括Chins,SitupsandJumps.(引體向上仰臥起坐跳躍)，target的三維分別是Weight,WaistandPulse.(體重腰圍脈搏)。導(dǎo)入數(shù)據(jù)集linnerud=datasets.load_linnerud()獲取特征值X=linnerud.data獲取標(biāo)簽Y=[1ify[0]>200else0foryinlinnerud.target]隨機(jī)劃分訓(xùn)練集和測試集X_train,X_test,y_train,y_test=train_test_split(X,Y,test_size=0.3,random_state=6)創(chuàng)建模型model=DecisionTreeClassifier(random_state=5).fit(X_train,y_train)對測試集進(jìn)行預(yù)測pre=model.predict(X_test)并將結(jié)果與label進(jìn)行對比，計算準(zhǔn)確度print("準(zhǔn)確度為：{:.3f}".format(np.mean(pre==y_test)))