我正在使用
python中的sklearn和R中的load_iris数据集(它在R中称为iris).
我使用“gini”索引在两种语言中构建了模型,在两种语言中,当测试数据直接来自虹膜数据集时,我能够正确地测试模型.
但是,如果我将新数据集作为测试输入,则对于同一个python,R将其放入不同的类别.
我不确定我在这里错过了什么或做错了,所以我们非常感谢任何指导.
代码如下:
Python 2.7:
from sklearn.datasets import load_iris
from sklearn import tree
iris = load_iris()
model = tree.DecisionTreeClassifier(criterion='gini')
model.fit(iris.data, iris.target)
model.score(iris.data, iris.target)
print iris.data[49],model.predict([iris.data[49]])
print iris.data[99],model.predict([iris.data[99]])
print iris.data[100],model.predict([iris.data[100]])
print iris.data[149],model.predict([iris.data[149]])
print [6.3,2.8,6,1.3],model.predict([[6.3,2.8,6,1.3]])
R-Rstudio运行3.3.2 32位:
library(rpart)
iris<- iris
x_train = iris[c('Sepal.Length','Sepal.Width','Petal.Length','Petal.Width')]
y_train = as.matrix(cbind(iris['Species']))
x <- cbind(x_train,y_train)
fit <- rpart(y_train ~ ., data = x_train,method="class",parms = list(split = "gini"))
summary(fit)
x_test = x[149,]
x_test[,1]=6.3
x_test[,2]=2.8
x_test[,3]=6
x_test[,4]=1.3
predicted1= predict(fit,x[49,]) # same as python result
predicted2= predict(fit,x[100,]) # same as python result
predicted3= predict(fit,x[101,]) # same as python result
predicted4= predict(fit,x[149,]) # same as python result
predicted5= predict(fit,x_test) ## this value does not match with pythons result
我的python输出是:
[ 5. 3.3 1.4 0.2] [0]
[ 5.7 2.8 4.1 1.3] [1]
[ 6.3 3.3 6. 2.5] [2]
[ 5.9 3. 5.1 1.8] [2]
[6.3, 2.8, 6, 1.3] [2] -----> this means it's putting the test data into virginica bucket
和R输出是:
> predicted1
setosa versicolor virginica
49 1 0 0
> predicted2
setosa versicolor virginica
100 0 0.9074074 0.09259259
> predicted3
setosa versicolor virginica
101 0 0.02173913 0.9782609
> predicted4
setosa versicolor virginica
149 0 0.02173913 0.9782609
> predicted5
setosa versicolor virginica
149 0 0.9074074 0.09259259 --> this means it's putting the test data into versicolor bucket
请帮忙.谢谢.
最佳答案 决策树涉及相当多的参数(最小/最大离开大小,树的深度,何时分割等),并且不同的包可能具有不同的默认设置.如果要获得相同的结果,则需要确保隐式默认值相似.例如,尝试运行以下代码:
fit <- rpart(y_train ~ ., data = x_train,method="class",
parms = list(split = "gini"),
control = rpart.control(minsplit = 2, minbucket = 1, xval=0, maxdepth = 30))
(predicted5= predict(fit,x_test))
setosa versicolor virginica
149 0 0.3333333 0.6666667
这里,选择minsplit = 2,minbucket = 1,xval = 0和maxdepth = 30这两个选项,以便与sklearn-options相同,参见here. maxdepth = 30是rpart允许的最大值; sklearn没有约束).如果您希望概率等相同,您可能也想要使用cp参数.
同样,用
model = tree.DecisionTreeClassifier(criterion='gini',
min_samples_split=20,
min_samples_leaf=round(20.0/3.0), max_depth=30)
model.fit(iris.data, iris.target)
我明白了
print model.predict([iris.data[49]])
print model.predict([iris.data[99]])
print model.predict([iris.data[100]])
print model.predict([iris.data[149]])
print model.predict([[6.3,2.8,6,1.3]])
[0]
[1]
[2]
[2]
[1]
看起来与您的初始R输出非常相似.
毋庸置疑,当您的预测(在训练集上)看起来“不合理地好”时要小心,因为您可能会过度拟合数据.例如,看一下model.predict_proba(…),它给出了sklearn中的概率(而不是预测的类).您应该看到,使用您当前的Python代码/设置,您几乎肯定会过度拟合.