摘要：在本文中，我们将以的决策树和随机森林预测获胜者。用决策树和随机森林预测获胜者导入数据集并解析日期导入熊猫作为。这将帮助我们查看决策树分类器的预测是否正确。混淆矩阵显示了我们决策树的正确和不正确的分类。
在本文中，我们将以Scikit-learn的决策树和随机森林预测NBA获胜者。美国国家篮球协会（NBA）是北美主要的男子职业篮球联赛，被广泛认为是首屈一指的男子职业篮球联赛在世界上。它有30个团队（美国29个，加拿大1个）。
在 常规赛期间，每支球队打82场比赛，每场41场。一支球队每年会有四次面对对手（16场比赛）。每个小组在其四次（24场比赛）中的其他两个小组中的六个小组中进行比赛，其余四个小组三次（12场）进行比赛。最后，每个队都会在另一场比赛中两次参加所有的球队（30场比赛）。
用决策树和随机森林预测NBA获胜者＃导入数据集并解析日期导入熊猫作为pd df = pd 。read_csv （“NBA_2017_regularGames.csv” ，parse_dates = [ “Date” ]）
从游戏玩法的描述中，我们可以计算机会率。在每场比赛中，主队和客队都有可能赢得一半时间
预测类在下面的代码中，我们将指定我们的分类类。这将帮助我们查看决策树分类器的预测是否正确。如果主队获胜，我们将指定我们的等级为1，如果访客队在另一个名为“主队赢”的列中获胜，我们将指定为0。
df [ “主队获胜” ] = df [ “访客积分” ] < df [ “主队积分” ]
主队胜率：58.4％
＃该数组现在拥有scikit-learn可以读取的格式的类值。
特征工程我们将创建以下功能来帮助我们预测NBA 2017年的获胜者。
无论是来访者还是主队都赢得了最后一场比赛。
一般认为哪个团队更好？
scikit-learn软件包实现CART（分类和回归树）算法作为其默认 决策树类
决策树实现提供了一种方法来停止构建树，以防止过度使用以下选项：
• min_samples_split: can create arbitrary small leaves in order to create a new node in the decision tree• min_samples_leaf: guarantees a minimum number of samples in a leaf resultingfrom a node
建议使用min_samples_split或min_samples_leaf来控制叶节点处的采样数。一个非常小的数字通常意味着树将过度拟合，而大量的数据将阻止树学习数据。
决策的另一个参数是创建决策的标准。基尼的不纯和信息收益是两种流行的：
• Gini impurity: measures how often a decision node would incorrectly predict a sample"s class•`Information gain: indicate how much extra information is gained by the decision node
功能选择我们通过指定我们希望使用的列并使用数据框视图的values参数，从数据集中提取要素以与我们的scikit-learn的DecisionTreeClassifier一起使用。我们使用cross_val_score函数来测试结果。
X_features_only = df [[ "Home Win Streak" ，"Visitor Win Streak" ，"Home Team Ranks Higher" ，"Home Team Won Last" ，"Home Last Win" ，"Visitor Last Win" ]]
结果准确性：56.0％
通过选择我们制作的功能，精确度下降到56％。是否有可能通过添加更多功能来提高准确性。
混淆矩阵显示了我们决策树的正确和不正确的分类。对角线1,295分别表示主队的真正负数和真正的正数。左下角的1表示假阴性的数量。而右上角的195，误报的数量。我们也可以查看大约0.602的准确性分数，这表明决策树模型已经将60.2％的样本正确地归类为主队获胜与否。
导入pydotplus 图
出于探索的目的，测试较少数量的变量以便首先获得决策树输出的感觉会很有帮助。最终的树开始于X的分裂，我们的第一个解释变量，主队队列更高。如果主队排名较高的值小于4.5，那么主队就会松动，因为我们的二元变量具有虚假等值亏损值和真实同赢。
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/41883.html
摘要：翻译自昨天收到推送了一篇介绍随机森林算法的邮件，感觉作为介绍和入门不错，就顺手把它翻译一下。随机森林引入的随机森林算法将自动创建随机决策树群。回归随机森林也可以用于回归问题。结语随机森林相当起来非常容易。 翻译自：http://blog.yhat.com/posts/python-random-forest.html 昨天收到yhat推送了一篇介绍随机森林算法的邮件，感觉作为介绍和入门...
摘要：翻译自昨天收到推送了一篇介绍随机森林算法的邮件，感觉作为介绍和入门不错，就顺手把它翻译一下。随机森林引入的随机森林算法将自动创建随机决策树群。回归随机森林也可以用于回归问题。结语随机森林相当起来非常容易。 翻译自：http://blog.yhat.com/posts/python-random-forest.html 昨天收到yhat推送了一篇介绍随机森林算法的邮件，感觉作为介绍和入门...
摘要：贡献者飞龙版本最近总是有人问我，把这些资料看完一遍要用多长时间，如果你一本书一本书看的话，的确要用很长时间。为了方便大家，我就把每本书的章节拆开，再按照知识点合并，手动整理了这个知识树。 Special Sponsors showImg(https://segmentfault.com/img/remote/1460000018907426?w=1760&h=200); 贡献者：飞龙版...
摘要：在本教程中，您将了解如何在中从头开始实现随机森林算法。如何将随机森林算法应用于预测建模问题。如何在中从头开始实现随机森林图片来自，保留部分权利。这被称为随机森林算法。如何更新决策树的创建以适应随机森林过程。 欢迎大家前往云+社区，获取更多腾讯海量技术实践干货哦~ 决策树可能会受到高度变异的影响，使得结果对所使用的特定测试数据而言变得脆弱。 根据您的测试数据样本构建多个模型（称为套袋）可...
摘要：分裂规则将现有节点的数据分裂成两个子集，计算每个子集的子集的其中表示类别个数，表示分类为的样本在子集中的比例，可以理解为该子集中的数据被错误分类的期望损失分裂后的其中为分裂之前的样本数，和为分裂之后两个子集的样本数选取使得最小的特征和分裂 CART 分裂规则 将现有节点的数据分裂成两个子集，计算每个子集的gini index 子集的Gini index: $$gini_{chil...
阅读 2737·2021-11-12 10:34
阅读 2188·2021-09-29 09:42
阅读 1387·2021-09-23 11:21
阅读 422·2021-09-06 15:02
阅读 2325·2021-09-02 15:40
阅读 1952·2019-08-30 14:23
阅读 1666·2019-08-30 13:48
阅读 1595·2019-08-27 11:03
