ML之DT:构建一个二元DT(sk的DTR)来进行评分预测+Graphviz可视化

本文涉及的产品
云原生网关 MSE Higress,422元/月
注册配置 MSE Nacos/ZooKeeper,118元/月
服务治理 MSE Sentinel/OpenSergo,Agent数量 不受限
简介: ML之DT:构建一个二元DT(sk的DTR)来进行评分预测+Graphviz可视化

Graphviz软件的下载


Graphviz:可视化工具Graphviz的简介、安装、使用方法、经典案例之详细攻略

https://yunyaniu.blog.csdn.net/article/details/79008351


输出结果


dot文件内容


digraph Tree {

node [shape=box] ;

1 [label="X[10] <= 10.525\nmse = 0.652\nsamples = 1599\nvalue = 5.636"] ;

2 [label="X[9] <= 0.575\nmse = 0.431\nsamples = 983\nvalue = 5.366"] ;

1 -> 1 [labeldistance=2.5, labelangle=45, headlabel="True"] ;

2 [label="X[1] <= 0.748\nmse = 0.328\nsamples = 391\nvalue = 5.151"] ;

1 -> 2 ;

3 [label="mse = 0.289\nsamples = 328\nvalue = 5.201"] ;

2 -> 3 ;

4 [label="mse = 0.448\nsamples = 63\nvalue = 4.889"] ;

2 -> 4 ;

5 [label="X[1] <= 0.405\nmse = 0.449\nsamples = 592\nvalue = 5.508"] ;

1 -> 5 ;

6 [label="mse = 0.486\nsamples = 144\nvalue = 5.833"] ;

5 -> 6 ;

7 [label="mse = 0.393\nsamples = 448\nvalue = 5.404"] ;

5 -> 7 ;

8 [label="X[9] <= 0.645\nmse = 0.702\nsamples = 616\nvalue = 6.067"] ;

0 -> 8 [labeldistance=2.5, labelangle=-45, headlabel="False"] ;

9 [label="X[1] <= 1.015\nmse = 0.705\nsamples = 272\nvalue = 5.728"] ;

8 -> 9 ;

10 [label="mse = 0.591\nsamples = 262\nvalue = 5.794"] ;

9 -> 10 ;

11 [label="mse = 0.6\nsamples = 10\nvalue = 4.0"] ;

9 -> 11 ;

12 [label="X[10] <= 11.55\nmse = 0.536\nsamples = 344\nvalue = 6.334"] ;

8 -> 12 ;

13 [label="mse = 0.495\nsamples = 206\nvalue = 6.121"] ;

12 -> 13 ;

14 [label="mse = 0.43\nsamples = 138\nvalue = 6.652"] ;

12 -> 14 ;

}



Graphviz可视化


评分预测的决策树


image.png



核心代码


with open("wineTree.dot", 'w') as f:

   f = tree.export_graphviz(wineTree, out_file=f)


相关实践学习
基于MSE实现微服务的全链路灰度
通过本场景的实验操作,您将了解并实现在线业务的微服务全链路灰度能力。
目录
打赏
0
0
0
0
1043
分享
相关文章
python中Copula在多元联合分布建模可视化2实例合集|附数据代码
python中Copula在多元联合分布建模可视化2实例合集|附数据代码
python中的copula:Frank、Clayton和Gumbel copula模型估计与可视化
python中的copula:Frank、Clayton和Gumbel copula模型估计与可视化
python机器学习 train_test_split()函数用法解析及示例 划分训练集和测试集 以鸢尾数据为例 入门级讲解
python机器学习 train_test_split()函数用法解析及示例 划分训练集和测试集 以鸢尾数据为例 入门级讲解
3510 0
python机器学习 train_test_split()函数用法解析及示例 划分训练集和测试集 以鸢尾数据为例 入门级讲解
特征平台(Feature Store):您需要知道的关于特征平台的一切信息(Continuous)
特征平台已于 2021 年问世,成为实现 AI 的一项重要技术。 尽管高科技公司对特征平台充满热情,但大多数传统 ML 平台仍然缺少它们,并且在许多企业公司中相对不为人知。在这里,我们将介绍特征平台的常见功能,以及在你自己的工作中采用这种方法的利弊。
Google Earth Engine(GEE)——MOD10A1 V6 Snow Cover Daily Global 500m积雪、积雪反照率、部分积雪和质量评估 (QA) 数据
Google Earth Engine(GEE)——MOD10A1 V6 Snow Cover Daily Global 500m积雪、积雪反照率、部分积雪和质量评估 (QA) 数据
390 0
Google Earth Engine(GEE)——MOD10A1 V6 Snow Cover Daily Global 500m积雪、积雪反照率、部分积雪和质量评估 (QA) 数据
ML之FE:基于load_mock_customer数据集(模拟客户,单个DataFrame)利用featuretools工具实现自动特征生成/特征衍生
ML之FE:基于load_mock_customer数据集(模拟客户,单个DataFrame)利用featuretools工具实现自动特征生成/特征衍生
ML之FE:基于load_mock_customer数据集(模拟客户,单个DataFrame)利用featuretools工具实现自动特征生成/特征衍生
ML之FE:基于load_mock_customer数据集(模拟客户)利用featuretools工具实现自动特征生成/特征衍生
ML之FE:基于load_mock_customer数据集(模拟客户)利用featuretools工具实现自动特征生成/特征衍生
ML之FE:基于load_mock_customer数据集(模拟客户)利用featuretools工具实现自动特征生成/特征衍生
Google Earth Engine ——MOD10A1 V6 Snow Cover Daily Global 500m产品包含雪盖、雪反照率、雪盖分量和质量评估(QA)数据和NDSI指数数据集
Google Earth Engine ——MOD10A1 V6 Snow Cover Daily Global 500m产品包含雪盖、雪反照率、雪盖分量和质量评估(QA)数据和NDSI指数数据集
473 0
Google Earth Engine ——MOD10A1 V6 Snow Cover Daily Global 500m产品包含雪盖、雪反照率、雪盖分量和质量评估(QA)数据和NDSI指数数据集
Google Earth Engine ——MYD10A1 V6 Snow Cover Daily Global 500m产品包含雪盖、雪反照率、雪盖分率和质量评估(QA)数据归一化差异积雪指数数据集
Google Earth Engine ——MYD10A1 V6 Snow Cover Daily Global 500m产品包含雪盖、雪反照率、雪盖分率和质量评估(QA)数据归一化差异积雪指数数据集
241 0
Google Earth Engine ——MYD10A1 V6 Snow Cover Daily Global 500m产品包含雪盖、雪反照率、雪盖分率和质量评估(QA)数据归一化差异积雪指数数据集
AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等