根据成年人数据集来预测一个人的收入
1.准备数据集
我下载好了一个成年人数据集,从百度云下载
链接：https://pan.baidu.com/s/10gC8U0tyh1ERxLhtY8i0bQ 提取码：4zzy
准备好了数据集,那就把这个数据集与你的jupyter notebook放在同一目录.如果你是直接打开命令提示符启动jupyter notebook那么路径为:
或者你也可以在D盘创建一个目录并在这个目录启动jupyter notebook,把数据集放入其中
2.在jupyter notebook中导入这个数据集
############################# 随机森林实例 #######################################
#导入pandas库
import pandas as pd
#导入数据集拆分工具
from sklearn.model_selection import train_test_split
from sklearn import tree,datasets
#用pandas打开csv文件
data = pd.read_csv('adult.csv',header=None,index_col=False,names=['年龄','单位性质','权重','学历','受教育时长','婚姻状况','职业','家庭情况','种族','性别','资产所得','资产损失','周工作时长','原籍','收入'])
#为了方便展示,我们选取其中一部分数据
data_lite = data[['年龄','单位性质','学历','性别','周工作时长','职业','收入']]
#下面看一下数据的前五行是不是我们想要的结果
display(data_lite.head())
3.用get_dummies处理数据
#使用get_dummies将文本数据转化为数值
data_dummies = pd.get_dummies(data_lite)
#对比样本原始特征和虚拟变量特征
print('样本原始特征:
',list(data_lite.columns),'
')
print('虚拟变量特征:
',list(data_dummies.columns))
#显示数据集中的前5行 data_dummies.head()
#定义数据集的特征值
features = data_dummies.loc[:,'年龄':'职业_ Transport-moving']
#将特征数值赋值为X
X = features.values
#将收入大于50K作为预测目标
y = data_dummies['收入_ >50K'].values
print('
')
print('代码运行结果')
print('====================================
')
#打印数据形态
print('特征形态:{} 标签形态:{}'.format(X.shape,y.shape))
print('
====================================')
print('
')
代码运行结果 ==================================== 特征形态:(32561, 44) 标签形态:(32561,) ====================================
4.用决策树建模并作出预测
#将数据集拆分为训练集和测试集
X_train,X_test,y_train,y_test = train_test_split(X,y,random_state=0)
#用最大深度为5的随机森林拟合数据
go_dating_tree = tree.DecisionTreeClassifier(max_depth=5)
go_dating_tree.fit(X_train,y_train)
print('
')
print('代码运行结果')
print('====================================
')
#打印数据形态
print('模型得分:{:.2f}'.format(go_dating_tree.score(X_test,y_test)))
print('
====================================')
print('
')
代码运行结果 ==================================== 模型得分:0.80 ====================================
#将Mr Z的数据输入给模型
Mr_Z = [[37, 40,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,1,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0]]
#使用模型做出预测
dating_dec = go_dating_tree.predict(Mr_Z)
print('
')
print('代码运行结果')
print('====================================
')
if dating_dec == 1:
print("这哥们月薪过5万了")
else:
print("月薪不过五万")
print('
====================================')
print('
')
代码运行结果 ==================================== 月薪不过五万 ====================================
注:这个数据集只是用来演示决策树的用法,其结论参考意义不大
总结:
在使用随机森林算法中,明白了参数对其调节的影响.
在决策树与随机森林算法中对高位数据集进行分析,我们可以在诸多特征中选择保留最重要的几个,方便我们对数据集手动降维处理.
文章引自 : 《深入浅出python机器学习》