Horário de Aula

Tutorial de Python

• Tutorial de Python
• Introdução ao Python
• Início do Python
• Sintaxe do Python
• Comentários do Python
• Variáveis do Python
• Tipos de Dados do Python
• Números Python
• Casting do Python
• Strings do Python
• Booleano do Python
• Operadores do Python
• Listas do Python
• Tuplas do Python
• Conjuntos do Python
• Dicionários do Python
• If Else Python
• Loop While do Python
• Loop For do Python
• Funções do Python
• Lambda do Python
• Matrizes do Python
• Classe/Objeto Python
• Herança do Python
• Iteração do Python
• Escopo do Python
• Módulos do Python
• Datas do Python
• JSON do Python
• RegEx do Python
• PIP do Python
• Try Except do Python
• Entrada de Comando Python
• Formatação de String do Python

Processamento de Arquivos

• Abertura de Arquivo do Python
• Leitura de Arquivo do Python
• Escrita/criação de arquivos Python
• Exclusão de Arquivo do Python

Python NumPy

• Introdução ao NumPy
• Início do NumPy
• Criação de Matrizes NumPy
• Índice de Matriz NumPy
• Corte de Matriz NumPy
• Tipos de Dados NumPy
• Cópia/Visão NumPy
• Forma de Matriz NumPy
• Redimensionamento de Matriz NumPy
• Iteração de Matriz NumPy
• Conexão de Matriz NumPy
• Divisão de Matriz NumPy
• Pesquisa de Matriz NumPy
• Classificação de Matriz NumPy
• Filtragem de Matriz NumPy
• Aleatório NumPy
• ufuncs NumPy

Aprendizado de Máquina

• Introdução
• Padrão Média Média
• Desvio Padrão
• Percentis
• Distribuição de Dados
• Distribuição de Dados Normais
• Gráfico de Ponto
• Regressão Linear
• Regressão Polinomial
• Regressão Multivariada
• Escala
• Treinamento/teste
• Árvore de Decisão

Python MySQL

• Introdução ao MySQL
• Criar Banco de Dados MySQL
• Criar Tabela MySQL
• Inserir MySQL
• Selecionar MySQL
• Onde MySQL
• Ordernar MySQL
• Excluir MySQL
• Excluir Tabela MySQL
• Atualizar MySQL
• Limitar MySQL
• Join MySQL

Python MongoDB

• Introdução ao MongoDB
• Criar Banco de Dados MongoDB
• Criar Coleção MongoDB
• Inserir MongoDB
• Encontrar MongoDB
• Consultar MongoDB
• Classificar MongoDB
• Excluir MongoDB
• Excluir Coleção MongoDB
• Atualizar MongoDB
• Limitar MongoDB

Manual de Referência Python

• Visão Geral do Python
• Funções Internas do Python
• Métodos de String do Python
• Métodos de Lista do Python
• Métodos de Dicionário do Python
• Métodos de Tupla do Python
• Métodos de Conjunto do Python
• Métodos de Arquivo do Python
• Palavras-chave do Python

Manual de Referência de Módulos

• Módulo Aleatório
• Módulo de Requisição

Como Fazer em Python

• Remover Ítens Duplicados da Lista
• Inverter String

Exemplo Python

• Exemplo Python
• Quiz Python

Cursos Optativos

Recomendações de Curso:

• Caixa de Ferramentas CodeW3C.com

Árvore de Decisão (Decision Tree)

Neste capítulo, vamos mostrar como criar uma 'árvore de decisão'. A árvore de decisão é um diagrama de fluxo que pode ajudar você a tomar decisões com base em sua experiência anterior.

Neste exemplo, alguém tentará decidir se deve participar do programa de comédia.

Felizmente, os personagens de nosso exemplo se registram sempre que há apresentação de comédia no vilarejo, e registram algumas informações sobre os comediantes, além de registrar se já foram.

Agora, com base neste conjunto de dados, o Python pode criar uma árvore de decisão, que pode ser usada para decidir se vale a pena participar de qualquer novo espetáculo.

Princípio de funcionamento

Primeiro, importe os módulos necessários e use o pandas para ler o conjunto de dados:

Exemplo

Ler e imprimir o conjunto de dados:

import pandas
from sklearn import tree
import pydotplus
from sklearn.tree import DecisionTreeClassifier
import matplotlib.pyplot as plt
import matplotlib.image as pltimg
df = pandas.read_csv("shows.csv")
print(df)

Executar Exemplo

Para criar uma árvore de decisão, todos os dados devem ser números.

Devemos converter as colunas não numéricas 'Nationality' e 'Go' para números.

O Pandas tem um map() Método, que aceita um dicionário contendo informações sobre como converter os valores.

{'UK': 0, 'USA': 1, 'N': 2}

Isso significa converter o valor 'UK' para 0, 'USA' para 1 e 'N' para 2.

Exemplo

Converter valores de string para números:

d = {'UK': 0, 'USA': 1, 'N': 2}
df['Nationality'] = df['Nationality'].map(d)
d = {'YES': 1, 'NO': 0}
df['Go'] = df['Go'].map(d)
print(df)

Executar Exemplo

Depois, devemos separar as colunas de características da coluna de objetivo.

As colunas de características são as colunas que tentamos prever, e a coluna de objetivo é a coluna com os valores que tentamos prever.

Exemplo

X é a coluna de características, y é a coluna de objetivo:

features = ['Age', 'Experience', 'Rank', 'Nationality']
X = df[features]
y = df['Go']
print(X)
print(y)

Executar Exemplo

Agora, podemos criar a árvore de decisão real, ajustando-a aos nossos detalhes, e então salvar um arquivo .png no computador:

Exemplo

Crie uma árvore de decisão, salve-a como imagem e exiba a imagem:

dtree = DecisionTreeClassifier()
dtree = dtree.fit(X, y)
data = tree.export_graphviz(dtree, out_file=None, feature_names=features)
graph = pydotplus.graph_from_dot_data(data)
graph.write_png('mydecisiontree.png')
img = pltimg.imread('mydecisiontree.png')
imgplot = plt.imshow(img)
plt.show()

Executar Exemplo

Explicação dos resultados

A árvore de decisão usa suas decisões anteriores para calcular a probabilidade de você querer assistir a atores de comédia.

Vamos ler diferentes aspectos da árvore de decisão:

Rank

Rank <= 6,5 Representa que os atores de comédia com rank inferior a 6,5 seguirão True Seta (para a esquerda), e o resto segue False Seta (para a direita).

gini = 0.497 Representa a qualidade da divisão e sempre é um número entre 0,0 e 0,5, onde 0,0 representa que todos os amostras obtiveram o mesmo resultado, e 0,5 representa que a divisão está completamente no meio.

samples = 13 Representa que ainda há 13 atores de comédia na decisão, porque é o primeiro passo, então todos eles são atores de comédia.

value = [6, 7] Representa que entre esses 13 atores de comédia, 6 receberão 'NO' e 7 receberão 'GO'.

Gini

Existem muitas maneiras de dividir amostras, e usamos o método GINI neste tutorial.

O método Gini usa a seguinte fórmula:

Gini = 1 - (x/n)2 - (y/n)2

Dentre eles, x é o número de respostas afirmativas ('GO'), n é o número de amostras, y é o número de respostas negativas ('NO'), e são calculados usando a seguinte fórmula:

1 - (7 / 13)2 - (6 / 13)2 = 0.497

O próximo passo inclui dois quadrados, um para atores de comédia cujo 'Rank' é 6,5 ou inferior, e o resto em um quadrado.

True - 5 atores de comédia terminam aqui:

gini = 0.0 Representa que todos os amostras obtiveram o mesmo resultado.

samples = 5 Representa que ainda há 5 atores de comédia nessa ramificação (5 atores com classificação de 6,5 ou inferior).

value = [5, 0] Isso significa que 5 receberá "NO" e 0 receberá "GO".

False - 8 atores de teatro continuam:

Nationality (nacionalidade)

Nationality <= 0,5 Isso significa que comediantes com valor de nacionalidade menor ou igual a 0,5 seguirão o seta à esquerda (isto é, todos os que vêm da Grã-Bretanha), os outros seguirão a à direita.

gini = 0,219 Isso significa que aproximadamente 22% das amostras se moverão na mesma direção.

samples = 8 Isso significa que há ainda 8 comediantes restantes nessa ramificação (8 comediantes com classificação acima de 6,5).

value = [1, 7] Isso significa que dos 8 comediantes, 1 receberá "NO" e 7 receberão "GO".

True - 4 atores de teatro continuam:

Age (idade)

Age <= 35,5 Isso significa que comediantes com 35,5 anos ou menos seguirão o seta à esquerda, os outros seguirão a à direita.

gini = 0,375 Isso significa que aproximadamente 37,5% das amostras se moverão na mesma direção.

samples = 4 Isso significa que há ainda 4 comediantes restantes nessa ramificação (4 comediantes da Grã-Bretanha).

value = [1, 3] Isso significa que dos 4 comediantes, 1 receberá "NO" e 3 receberão "GO".

False - 4 comediantes aqui terminam:

gini = 0.0 Representa que todos os exemplos obtiveram o mesmo resultado.

samples = 4 Isso significa que há ainda 4 comediantes restantes nessa ramificação (4 comediantes da Grã-Bretanha).

value = [0, 4] Isso significa que dos 4 comediantes, 0 receberá "NO" e 4 receberão "GO".

True - 2 comediantes aqui terminam:

gini = 0.0 Representa que todos os exemplos obtiveram o mesmo resultado.

samples = 2 Isso significa que há ainda 2 comediantes restantes nessa ramificação (2 comediantes de 35,5 anos ou mais jovens).

value = [0, 2] Isso significa que dos 2 comediantes, 0 receberá "NO" e 2 receberão "GO".

False - 2 atores de teatro continuam:

Experience (experiência)

Experience <= 9,5 Isso significa que comediantes com 9,5 anos ou mais experiência seguirão o seta à esquerda, os outros seguirão a à direita.

gini = 0,5 Isso significa que 50% das amostras se moverão na mesma direção.

samples = 2 Isso significa que há ainda 2 comediantes restantes nessa ramificação (2 comediantes com mais de 35,5 anos).

value = [1, 1] Isso significa que 1 dos 2 comediantes receberá "NO" e 1 receberá "GO".

True - 1 comediante aqui termina:

gini = 0.0 Representa que todos os exemplos obtiveram o mesmo resultado.

samples = 1 Representa que há ainda 1 ator nessa ramificação (1 ator com 9,5 anos ou menos de experiência em comédia).

value = [0, 1] Representa 0 representa "NÃO", 1 representa "SIM".

False - 1 ator até aqui:

gini = 0.0 Representa que todos os exemplos obtiveram o mesmo resultado.

samples = 1 Representa que há ainda 1 ator de comédia nessa ramificação (1 ator com mais de 9,5 anos de experiência em comédia).

value = [1, 0] 1 representa "NÃO", 0 representa "SIM".

Valores de Previsão

Podemos usar a árvore de decisão para prever novos valores.

Por exemplo: Devo assistir a um programa estrelado por um ator de comédia americano de 40 anos com 10 anos de experiência e com uma classificação de comédia de 7?

Exemplo

Usar predict() Métodos para prever novos valores:

print(dtree.predict([[40, 10, 7, 1]]))

Executar Exemplo

Exemplo

Se o nível de comédia for 6, qual é a resposta?

print(dtree.predict([[40, 10, 6, 1]]))

Executar Exemplo

Resultados Diferentes

Se rodarmos o suficiente vezes, mesmo que você insira os mesmos dados, a árvore de decisão também fornecerá resultados diferentes.

Isso é porque a árvore de decisão não pode nos dar uma resposta de 100% de certeza. Ela se baseia na probabilidade dos resultados, e as respostas podem variar.

Caixa de Ferramentas

Manual de Referência Python

Exemplo Python

Quiz Python

Links de Patrocinadores