Zaktualizuj 'Raport- drzewa decyzyjne.md'
This commit is contained in:
parent
f9505a932a
commit
3a6d0b9465
@ -25,8 +25,8 @@ Drzewo decyduje na jakim etapie jest roślina analizując poszczególne stany da
|
||||
#### loadLearningBase(): [python]
|
||||
Metoda **loadLearningBase** rozpoczyna od utworzenia zbioru uczącego na podstawie tabeli zawierającej informacje wszystkich możliwych stanach roślinki.
|
||||
|
||||
*col_names* -> zawiera nagłówki poszczególnych kolumn
|
||||
*feature_cols* -> zawiera nagłówki z kolumnami w których znajdują się dane do analizy
|
||||
* *col_names* -> zawiera nagłówki poszczególnych kolumn
|
||||
* *feature_cols* -> zawiera nagłówki z kolumnami w których znajdują się dane do analizy
|
||||
```
|
||||
col_names = ['Warzywo', 'Nawoz', 'Srodek', 'Stan', 'Dzialanie']
|
||||
base = pd.read_csv("Database.csv", header=None, names=col_names)
|
||||
@ -69,7 +69,7 @@ Metoda **generateDecisionTree** generuje drzewo decyzyjne na podstawie dostarczo
|
||||
|
||||
Do zmiennej *clf* zapisujemy drzewo decyzyjne z biblioteki **sklearn** utworzone za pomocą metody **DecisionTreeClassifier** z parametrem **criterion** ustawionym na **"entropy"**, który pozwala na uzyskiwanie informacji.
|
||||
Na drzewie wywołujemy metodę **fit**, która dopasowuje do drzewa zbiór uczący zadany w tablicach **X_train** i **y_train**.
|
||||
Po dopasowaniu danych możemy przewidzieć przynależność nowych przykładów, co robimy wywołując na drzewie metodę **predict** z parametrami, które zawierają informację o stanie danego pola.
|
||||
Po dopasowaniu danych możemy przewidzieć stan nowych przykładów, co robimy wywołując na drzewie metodę **predict** z parametrami, które zawierają informację o stanie danego pola.
|
||||
```
|
||||
def generateDecisionTree(X_train, X_test, y_train, y_test):
|
||||
# Create Decision Tree classifer object
|
||||
|
Loading…
Reference in New Issue
Block a user