Hacemos una verificación exhaustiva cada tutorial en nuestro espacio con la meta de enseñarte siempre información con la mayor veracidad y actual.
Ejemplo 1: árbol de decisiones de scikit learn
from sklearn import tree
X =[[0,0],[1,1]]
Y =[0,1]
clf = tree.DecisionTreeClassifier()
clf = clf.fit(X, Y)
Ejemplo 2: regresor de árbol de decisión de sklearn
Import the necessary modules and libraries
import numpy as np
from sklearn.tree import DecisionTreeRegressor
import matplotlib.pyplot as plt
# Create a random dataset
rng = np.random.RandomState(1)
X = np.sort(5* rng.rand(80,1), axis=0)
y = np.sin(X).ravel()
y[::5]+=3*(0.5- rng.rand(16))# Fit regression model
regr_1 = DecisionTreeRegressor(max_depth=2)
regr_2 = DecisionTreeRegressor(max_depth=5)
regr_1.fit(X, y)
regr_2.fit(X, y)# Predict
X_test = np.arange(0.0,5.0,0.01)[:, np.newaxis]
y_1 = regr_1.predict(X_test)
y_2 = regr_2.predict(X_test)# Plot the results
plt.figure()
plt.scatter(X, y, s=20, edgecolor="black",
c="darkorange", label="data")
plt.plot(X_test, y_1, color="cornflowerblue",
label="max_depth=2", linewidth=2)
plt.plot(X_test, y_2, color="yellowgreen", label="max_depth=5", linewidth=2)
plt.xlabel("data")
plt.ylabel("target")
plt.title("Decision Tree Regression")
plt.legend()
plt.show()
Calificaciones y reseñas
Más adelante puedes encontrar las reseñas de otros usuarios, tú igualmente tienes la opción de dejar el tuyo si dominas el tema.
¡Haz clic para puntuar esta entrada!
(Votos: 0 Promedio: 0)