Neste artigo criamos uma árvore de decisão para classificar o género de pessoas com base na sua altura, peso e tamanho do calçado.
Para começar importamos da framework sklearn a class tree.
from sklearn import tree
De seguida criamos um vetor X com os valores que permitem criar uma tendência.
X=[[181,80,44],[177,70,43],[160,60,38],[154,54,37],[166,65,40],[190,90,47],[175,64,39],[177,70,40],[159,55,37],
[171,75,42],[181,85,43]]
Para começar importamos da framework sklearn a class tree.
from sklearn import tree
De seguida criamos um vetor X com os valores que permitem criar uma tendência.
X=[[181,80,44],[177,70,43],[160,60,38],[154,54,37],[166,65,40],[190,90,47],[175,64,39],[177,70,40],[159,55,37],
[171,75,42],[181,85,43]]
A estes valores temos de juntar a classificação de cada elemento, por isso criamos o vetor Y.
Y=['male','female','female','female','male','male','male','female','male',
'female','male']
Agora podemos criar um objeto do tipo DecisionTreeClassifier.
clf=tree.DecisionTreeClassifier()
Inserimos os valores e as classificações.
clf=clf.fit(X,Y)
Por fim podemos fazer uma previsão com base num exemplo novo.
prediction=clf.predict([[160,50,33]])
print(prediction)
Basta alterar os valores para obter uma classificação diferente.
Vídeo no YouTube
Comentários
Enviar um comentário