存储决策树代码/算法答案

【问题标题】：Store Decision Tree Code / Algorithm存储决策树代码/算法
【发布时间】：2015-05-11 10:52:33
【问题描述】：

我计划使用机器学习（尤其是监督学习，例如决策树）来完成一项任务。最终代码将在没有 scikit learn 或其他外部库的助教电脑上运行。

因此，我需要从头开始编写决策树分类器之类的东西，或者在本地使用外部库并存储最终算法。

总结一下：给定一组带标签的训练数据，如何在python代码中存储最终算法，以后不依赖外部库运行最终算法？

例如，决策树可以分解为一系列 if/then 语句，我想生成这些 if/then 语句并存储它们，以便它可以在除了 python 之外没有安装任何东西的计算机上运行。

关于如何实现这一目标的最佳建议是什么。如果这是在错误的论坛，请告知。

【问题讨论】：

我认为这是正确的论坛，因为您的问题主要涉及用语言 (Python) 实现机器学习算法。
我不确定问题是什么。是“如何封装我的依赖项，以便代码可以在另一台计算机上运行而无需安装任何东西（除了 python）？”？
是的，基本上我想要一系列用于决策树算法的 if/then 语句（例如）。

标签： python machine-learning supervised-learning

【解决方案1】：

可以使用Python随机森林包sklearn.ensemble如下：

# Import the random forest package
from sklearn.ensemble import RandomForestClassifier 

# create a random forest object with 100 trees
forest = RandomForestClassifier(n_estimators = 100)

predictors = [[0, 0], [1, 1]]
response = [0, 1]

# fit the model to the training data
forest = forest.fit(predictors, response)

# you can reuse the forest model you built to make predictions
# on other data sets
test_data = [[0, 1], [1, 0]]
output = forest.predict(test_data)

请注意，我在此处导入了 RandomForestClassifier，但如果您想在回归模式下运行随机森林，您也可以使用 RandomForestRegressor。

【讨论】：