Python投資｜機械學習sklearn函式庫應用拆解（四）

撰文｜冰鳳流 本文介紹使用sklearn機械學習函式庫時，如何以圖像顯示決策樹的預測、分類過程，如要承接前文方便理解今次內容，可重溫本系列第三篇文章，請點擊以下連結： 接下來，會探討第8至11段編碼的作用。在第7段及之前的編碼，已讓Python進行了訓練，建立預測模型，並進行了測試，檢視預測模型的效果如何。接下來，便是產生新一比數據組，讓Python預測數據，以及把它的決策樹視像化。我們先來看第8段。 第8段第1行編碼，為「from sklearn.metrics import accuracy_score」，這裏與第7段編碼的目的一樣，引入評分函式庫「accuracy_score」。 第8段第2行編碼，為「answers 」，設立名為「answers」的項目，數值暫為空值，以存放答案。 第8段第3行編碼，為「predicts 」，設立名為「predicts」的項目，數值暫為空值，以存放預測結果。 第8段第4行編碼，為「for i in range(100):」，啟用for loop（迴圈）函式和range函式，range函式的參數設定了100，即是有編號0至99行的範圍，都要代入接下來的運算公式遍歷一次。 第8段第5行編碼，為「size random.randint(1, 20)」，設立名為「size」的項目，數值的構成是使用random函式庫下的randint，隨機產生介乎1至20之間的整數數值，合共100個數值。因此，在randint後的括號內，寫入1和20數值，告訴Python隨機產生數值時，範圍起始為1，範圍終結為20。 第8段第6行編碼，為「length random.randint(1, 20)」，設立名為「length 」的項目，原理與第8段第5行編碼一樣。 第8段第7行編碼，為「answers.append(checkType(size, length))」，首先看「checkType(size, length）」這部份，這在第一篇文章拆解的第1段編碼時已有提及，是使用「def」函式定義的運算公式，例如按size數值小於10的情況下產生名為「fat_fat_mushroom」（發財蘑菇）的結果等，然後把100個結果附加於「answers」的項目中。 第8段第7行編碼，為「predicts.append(model.predict(]))」，首先看model.predict(])這部份，這在第三篇文章拆解的第5段編碼時已有提及，當時設立了model的項目，model的由「DecisionTreeClassifier」（決策樹）函式構成，然後再附上predict函式，用來按部份參數進行預測，由於在第8段第5和6行已更新「size」和「length」項目，故會按更新的項目代入運算，然後通過append函式附加到predicts的項目。 第8段第8行編碼，為「accuracy_score(answers, predicts)」，使用accuracy_score核對predicts的預測結果相比正確答案的準成度，計算評分。 如果想看到sklearn決策樹如何進行分類，我們有函式可把過程視覺化的，第9至11段的編碼便是在執行這個功能。 第9段第1行編碼，為「from sklearn.tree import export_graphviz」，輸入「export_graphviz」函式。 第9段第2至4行編碼，其實是同一體的，為： 「export_graphviz(model, out_file'mushrooms.dot', feature_names, class_namesmodel.classes_) export_graphviz函式的格式，簡化起來就是export_graphviz(A, B, C, D）。A位置填寫以「DecisionTreeClassifier」構成的項目，在這個program中，是「model」；B位置填寫圖像輸出時的名稱，按「out_file ？」的格式來編碼，筆者測試過，是可以任意名稱，例如寫「ABC」；C位置填寫投入到預測模型的參數項目，按「feature_names」的格式來編碼，由於投入預測的是「size」和「length」，所以有「feature_names」這句；D位置寫入預測的分類名稱，設立「class_name」項目，以「model.classes_」組成。 第10段有兩行編碼，分別是「!apt install libgraphviz-dev」和「!pip install pygraphviz」，即安裝libgraphviz-dev和pygraphviz函式庫。 第11段第1行編碼「!apt -qqq install graphviz」，安裝graphviz函式庫。 第11段第2行編碼「!dot -Tpng mushrooms.dot mushrooms.png」，指示把第8段編碼的「mushrooms.dot」換成png圖片檔案格式。 第11段第3行編碼「from IPython.display import Image」，輸入Image函式。 第11段第4行編碼「Image('mushrooms.png')」，顯示第11段第2行編碼換成的png圖片檔案，由此，我們便看到決策樹了﹗ 如要翻查這次Python program的完整編碼，可點擊以下連結： https://colab.research.google.com/drive/1iy_kbpVZS_oah3VWRFkEZBAUInTEyqDN?uspsharing#scrollTopS0wPSPNDpTx 作者簡介： 一個能糅合股票、期權、信用卡等財技的人。 免責聲明： 本專頁刊載的所有投資分析技巧，只可作參考用途。市場瞬息萬變，讀者在作出投資決定前理應審慎，並主動掌握市場最新狀況。若不幸招致任何損失，概與本刊及相關作者無關。而本集團旗下網站或社交平台的網誌內容及觀點，僅屬筆者個人意見，與新傳媒立場無關。本集團旗下網站對因上述人士張貼之資訊內容所帶來之損失或損害概不負責。

Python投資｜機械學習sklearn函式庫應用拆解（四）

最新文章

開東亞銀行至尊理財享獎賞高達HK$3,700