神经算法与决策树分析bankloan数据

本文主要是介绍神经算法与决策树分析bankloan数据，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

神经网络分析代码如下

import pandas as pd
filename = 'C:/Users/透心凉i/Desktop/data/data/bankloan.xls'
data_tr = pd.read_excel(filename)

#print(data_tr) # 导入数据
#读取数据
x_tr = data_tr.iloc[:,:8]
y_tr = data_tr.iloc[:,8]
#print(x_tr)
#print(y_tr)
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Activation
model = Sequential()  # 建立模型
model.add(Dense(input_dim = 8, units = 16))
model.add(Activation('relu'))  # 用relu函数作为激活函数，能够大幅提供准确度
model.add(Dense(input_dim = 16, units = 32))
model.add(Activation('sigmoid'))  
model.add(Dense(input_dim = 32, units = 1))
model.add(Activation('sigmoid'))  # 由于是0-1输出，用sigmoid函数作为激活函数
model.compile(loss = 'binary_crossentropy', optimizer = 'adam')
# 编译模型。由于我们做的是二元分类，所以我们指定损失函数为binary_crossentropy，以及模式为binary
# 另外常见的损失函数还有mean_squared_error、categorical_crossentropy等，请阅读帮助文件。
# 求解方法我们指定用adam，还有sgd、rmsprop等可选
model.fit(x_tr, y_tr, epochs = 1000, batch_size = 10)  # 训练模型，学习一千次
yp = model.predict(x_tr).reshape(len(y_tr))  # 分类预测
score = model.evaluate(x_tr, y_tr, batch_size=256)  #分类预测损失值
print("分类预测损失值")
print(score)

结果如图：

 决策树分析代码如下：

import pandas as pd
# 参数初始化
import pandas as pd
import os
os.chdir('C:/Users/透心凉i')
data = pd.read_excel('bankloan.xls')
x = data.iloc[:,:8].astype(int)
y = data.iloc[:,8].astype(int)
from sklearn.tree import DecisionTreeClassifier as DTC
dtc = DTC(criterion='entropy')  # 建立决策树模型，基于信息熵
dtc.fit(x, y)  # 训练模型
# 导入相关函数，可视化决策树。
# 导出的结果是一个dot文件，需要安装Graphviz才能将它转换为pdf或png等格式。
from sklearn.tree import export_graphviz
x = pd.DataFrame(x)
with open(r"C:/Users/透心凉i/Desktop/data/tree3.dot", 'w',encoding="utf-8") as f:
    export_graphviz(dtc, feature_names = x.columns, out_file = f)
    f.close()
from IPython.display import Image  
from sklearn import tree
import pydotplus 
import os
os.environ["PATH"] += os.pathsep + 'C:/Program Files/Graphviz/bin/'
dot_data = tree.export_graphviz(dtc, out_file=None,  #regr_1 是对应分类器
                         feature_names=data.columns[:8],   #对应特征的名字
                         class_names=data.columns[8],    #对应类别的名字
                         filled=True, rounded=True,  
                         special_characters=True)  
dot_data = dot_data.replace('helvetica', 'MicrosoftYaHei')
graph = pydotplus.graph_from_dot_data(dot_data)  
graph.write_png('C:/Users/透心凉i/Desktop/data/example.png')    #保存图像
Image(graph.create_png()) 

结果如下：

这篇关于神经算法与决策树分析bankloan数据的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！