Julia 中的决策树分类器

在 Julia 的统计中，分类是根据包含类别成员已知的观察（或实例）的训练数据集来识别新观察属于一组类别（子种群）中的哪一个的问题。

在机器学习的术语中，分类被认为是有监督学习的一个实例，即在可以使用正确识别的观察训练集的情况下进行学习。

我们拥有的一些分类技术是：

1. 线性分类器：逻辑回归、朴素贝叶斯分类器
2. 最近的邻居
3. 支持向量机
4. 决策树
5. 提升树
6. 随机森林
7. 神经网络

决策树分类器

决策树是分类示例的简单表示。它是一种有监督的机器学习，其中数据根据某个参数连续拆分。

决策树通常用于运筹学和运营管理。如果在实践中必须在不完全知识的情况下在线进行决策，则决策树应与概率模型并行作为最佳选择模型或在线选择模型算法。决策树的另一个用途是作为计算条件概率的描述方法。

决策树主要有三个组成部分：

1. 根节点：它代表整个总体或样本，并进一步分为两个或更多同质集。
2. Edges/Branch：代表一个决策规则并连接到下一个节点。
3. 叶节点：叶节点是树中没有附加节点的节点。他们不再进一步拆分数据

Julia 中决策树分类器的实现

决策树是一种类似结构的流程图

• 使用轴对齐的线性决策边界来划分或二等分数据
• 分而治之的方法

包和要求

• Pkg.add(“决策树”)
• Pkg.add(“数据帧”)
• Pkg.add(“Gadly”)

Julia

# using the packages
using DataFrames
using DecisionTree
  
# Loading the Data
# https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/
df = readtable("breastc.csv")

输出：

朱莉娅

# using gadly package
using Gadfly
  
plot(df, x = Xfeatures,
     y = Ylabel, Geom.histogram, 
     color = :Class, 
     Guide.xlabel("Features"))

输出：