數據預處理-算法加工-預測-校驗

knn　

     #構建kNN分類器
    neigh = kNN(n_neighbors = 3, algorithm = ‘auto‘)
    #擬合模型, trainingMat為訓練矩陣,hwLabels為對應的標簽
    neigh.fit(trainingMat, hwLabels)
    #獲得預測結果，vectorUnderTest 向量
        classifierResult = neigh.predict(vectorUnderTest)    

決策樹

lenses_pd = pd.DataFrame(lenses_dict)  # 生成pandas.DataFrame
 
# print(lenses_pd)                                        #打印pandas.DataFrame
le = LabelEncoder()  # 創建LabelEncoder()對象，用於序列化
for col in lenses_pd.columns:  # 序列化
    lenses_pd[col] = le.fit_transform(lenses_pd[col])

 clf = tree.DecisionTreeClassifier(max_depth=4)  # 創建DecisionTreeClassifier()類
 clf = clf.fit(lenses_pd.values.tolist(), lenses_target)  # 使用數據，構建決策樹
 

 dot_data = StringIO()
 tree.export_graphviz(clf, out_file=dot_data,  # 繪制決策樹
                      feature_names=lenses_pd.keys(),
                      class_names=clf.classes_,
                      filled=True, rounded=True,
                      special_characters=True)
# graph = pydotplus.graph_from_dot_data(dot_data.getvalue())
 
# graph.write_pdf("tree.pdf")  # 保存繪制好的決策樹，以PDF的形式存儲。

 print(clf.predict([[1, 1, 1, 0]]))  # 預測

算法代碼