Rumah >pembangunan bahagian belakang >Tutorial Python >Bagaimanakah Kami Boleh Mengeluarkan Peraturan Keputusan Secara Program daripada Scikit-Learn Decision Trees Sambil Mengelakkan Perangkap Biasa?
Mengekstrak Peraturan Keputusan daripada Scikit-Learn Decision Trees
Dalam pembelajaran mesin, pepohon keputusan biasanya digunakan untuk menangkap proses membuat keputusan dalam bentuk peraturan keputusan. Peraturan ini boleh diwakili sebagai senarai teks, memberikan pemahaman yang jelas tentang logik asas dalam pepohon keputusan.
Mengekstrak Peraturan Keputusan Secara Pemrograman
Fungsi Python tree_to_code membolehkan pengekstrakan peraturan keputusan daripada pokok keputusan terlatih. Ia mengambil masukan pepohon terlatih dan senarai nama ciri dan menjana fungsi Python yang sah yang mewakili peraturan keputusan.
<code class="python">def tree_to_code(tree, feature_names): # ...</code>
Fungsi yang dijana mempunyai struktur yang sama seperti pepohon keputusan, menggunakan nested if -pernyataan lain untuk mewakili laluan keputusan. Apabila data input diberikan, fungsi mengembalikan output yang sepadan.
Contoh Output
Untuk pepohon keputusan yang cuba mengembalikan inputnya (nombor antara 0 dan 10 ), kod yang dijana mungkin kelihatan seperti:
<code class="python">def tree(f0): if f0 <= 6.0: if f0 <= 1.5: return [[ 0.]] else: # if f0 > 1.5 if f0 <= 4.5: if f0 <= 3.5: return [[ 3.]] else: # if f0 > 3.5 return [[ 4.]] else: # if f0 > 4.5 return [[ 5.]] else: # if f0 > 6.0 if f0 <= 8.5: if f0 <= 7.5: return [[ 7.]] else: # if f0 > 7.5 return [[ 8.]] else: # if f0 > 8.5 return [[ 9.]]</code>
Batasan Pendekatan Lain
Beberapa perangkap biasa dalam mengekstrak peraturan keputusan daripada pokok keputusan termasuk:
Atas ialah kandungan terperinci Bagaimanakah Kami Boleh Mengeluarkan Peraturan Keputusan Secara Program daripada Scikit-Learn Decision Trees Sambil Mengelakkan Perangkap Biasa?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!