Installation de Graphviz

J'ai essayé cette fois deux méthodes d'installation. Au fait, lorsque je suis allé sur la page de téléchargement du site officiel, c'était différent de celui présenté sur le site ci-dessus.

• Comment télécharger depuis le site officiel
• Comment déposer le fichier zip

Ces deux méthodes.

Télécharger depuis le site officiel

Tout d'abord, cliquez sur le lien sur le site officiel de ici. Cliquez ensuite sur télécharger Cliquez sur les packages Windows Graphviz sous Windows Vous serez redirigé vers la page github, alors sélectionnez le fichier "2.38 yaml" Si vous recherchez le lien publié sur Url, il sera téléchargé sans autorisation Après cela, démarrez le programme d'installation et démarrez l'installation. Vous pouvez vous référer au site ici. Veuillez juger s'il faut cocher «tout le monde» en fonction du nombre de comptes sur votre ordinateur.

Déposez le fichier zip

Vous pouvez déposer le fichier zip depuis le site ici. Une fois déposé, tout ce que vous avez à faire est de décompresser le fichier.

la mise en oeuvre

Cette fois, nous allons visualiser le graphique de l'arbre de décision en utilisant le jeu de données survivant du Titanic. Ce code est [ici](https://qiita.com/5sigma_AAA/items/0c23907da9330681147b#%E6%A9%9F%E6%A2%B0%E5%AD%A6%E7%BF%92%E3%81% AE% E5% AE% 9F% E8% A3% 85) se réfère au code. Je vais l'écrire séparément dans un style jupyter.

Commencez par charger les bibliothèques requises. (La partie utilisateur est le nom de votre compte)

from sklearn.tree import DecisionTreeClassifier 
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_curve, auc, accuracy_score

import pandas as pd

from sklearn.tree import export_graphviz
import pydotplus 
from io import StringIO
from IPython.display import Image

#Lire les données
train = pd.read_csv("/Users/user/jupyter/train.csv") 

Fondamentalement, il semble que les ensembles de données généraux aient des valeurs manquantes, alors vérifiez

train.isnull().sum()

PassengerId 0 Survived 0 Pclass 0 Name 0 Sex 0 Age 177 SibSp 0 Parch 0 Ticket 0 Fare 0 Cabin 687 Embarked 2

Il semble y avoir des valeurs manquantes dans Age, Cabin et Embarked. J'ignorerai Cabin car je ne l'utiliserai pas cette fois. La valeur manquante de Age complète la moyenne de l'âge entier, et Embarqué complète la valeur la plus fréquente «S».

train["Age"] = train["Age"].fillna(train["Age"].median())
train["Embarked"] = train["Embarked"].fillna("S")

Lors de l'apprentissage, nous devons en faire un type int, nous allons donc convertir les chaînes'Sex'et'Embarked 'en nombres. Cette fois, les numéros sont attribués manuellement, mais ils peuvent également être convertis à l'aide de variables factices.

#Conversion de variables catégorielles
train['Sex'] = train['Sex'].apply(lambda x: 1 if x == 'male' else 0)
train['Embarked'] = train['Embarked'].map( {'S': 0 , 'C':1 , 'Q':2}).astype(int)

Supprimez les classes inutilisées.

train = train.drop(['Cabin','Name','PassengerId','Ticket'],axis =1)

Le prétraitement des données étant terminé, vérifiez une fois les valeurs manquantes.

train.isnull().sum()

Survived 0 Pclass 0 Sex 0 Age 0 SibSp 0 Parch 0 Fare 0 Embarked 0

J'ai pu éliminer les valeurs manquantes. Ensuite, nous séparerons l'ensemble de données pour le train et l'ensemble de données pour le test. La distribution des images de test était de 30% du total.

#Divisé en données d'entraînement et données de test
train_X = train.drop('Survived',axis = 1)
train_y = train.Survived
(train_X , test_X , train_y , test_y) = train_test_split(train_X, train_y , test_size = 0.3 , random_state = 0)

Construisez un modèle et entraînez-vous. La profondeur est de 3 couches.

#train
model = DecisionTreeClassifier(max_depth=3,random_state = 0)
model.fit(train_X , train_y)

#accuracy
pred = model.predict(test_X)
fpr, tpr, thresholds = roc_curve(test_y , pred,pos_label = 1)
auc(fpr,tpr)
print("accuracy=",accuracy_score(pred,test_y)

accuracy=0.8208955223880597

De là, je vais dessiner avec Graphviz.

#Processus pour traiter la chaîne de caractères comme un objet fichier
dot_data = StringIO() 

export_graphviz( 
    model, out_file=dot_data, 
    feature_names=train_X.columns,
    class_names=["Death", "Survival"]
) 

graph = pydotplus.graph_from_dot_data(dot_data.getvalue()) 
#Spécifiez le chemin absolu du répertoire dans lequel vous avez téléchargé graphviz
graph.progs = {'dot': u"C:\\Users\\user\\anaconda3\\bin\\release\\bin\\dot.exe"}
#Visualiser dans le cahier
Image(graph.create_png()) 

J'ai pu dessiner un arbre de décision.

finalement

Cette fois, j'ai utilisé jupyter, mais c'est bien sûr possible avec d'autres IDE. Au fait, le plus difficile était de trouver le fichier d'installation sur le site officiel.