پروژه های پارسکدرز

درخت تصمیم - 119960

#python

سلامimport pandas as pdimport matplotlib.pyplot as pltfrom sklearn.tree import DecisionTreeClassifier, plot_tree# ۱. تعریف مجموعه داده پروژه‌های ITdata = { 'حمایت_مدیریت': ['زیاد', 'زیاد', 'کم', 'زیاد', 'کم', 'کم', 'زیاد', 'کم', 'زیاد', 'کم'\], 'آمادگی_فرهنگی': ['آماده', 'مقاوم', 'آماده', 'مقاوم', 'مقاوم', 'آماده', 'آماده', 'مقاوم', 'آماده', 'آماده'\], 'بودجه': ['کافی', 'کافی', 'کافی', 'محدود', 'محدود', 'محدود', 'محدود', 'کافی', 'کافی', 'محدود'\], 'پیچیدگی_فنی': ['بالا', 'بالا', 'پایین', 'پایین', 'بالا', 'پایین', 'پایین', 'بالا', 'پایین', 'بالا'\], 'نتیجه': ['موفق', 'موفق', 'موفق', 'ناموفق', 'ناموفق', 'ناموفق', 'موفق', 'ناموفق', 'موفق', 'ناموفق'\]}df = pd.DataFrame(data)# ۲. تبدیل متن‌ها به عدد (چون الگوریتم‌های یادگیری ماشین با عدد کار می‌کنند)# تبدیل متغیرهای ورودیmapping = { 'حمایت_مدیریت': {'کم': 0, 'زیاد': 1}, 'آمادگی_فرهنگی': {'مقاوم': 0, 'آماده': 1}, 'بودجه': {'محدود': 0, 'کافی': 1}, 'پیچیدگی_فنی': {'پایین': 0, 'بالا': 1}, 'نتیجه': {'ناموفق': 0, 'موفق': 1}}df_encoded = df.copy()for col in mapping: df_encoded[col\] = df_encoded[col\].map(mapping[col\])X = df_encoded[['حمایت_مدیریت', 'آمادگی_فرهنگی', 'بودجه', 'پیچیدگی_فنی'\]\]y = df_encoded['نتیجه'\]# ۳. آموزش مدل درخت تصمیم با معیار آنتروپی (Entropy)# پارامتر max_depth=3 از پیچیده شدن بیهوده درخت جلوگیری می‌کندmodel = DecisionTreeClassifier(criterion='entropy', max_depth=3, random_state=42)model.fit(X, y)# ۴. ترسیم نمودار درخت تصمیمplt.figure(figsize=(12, 7))plot_tree( model, feature_names=['Management Support', 'Culture', 'Budget', 'Complexity'\], class_names=['Failed', 'Successful'\], filled=True, rounded=True)plt.title("IT Project Decision Tree")plt.show()# ۵. پیش‌بینی نمونه جدید (بخش ج تمرین)# ویژگی‌های پروژه فرضی: حمایت=زیاد(1)، آمادگی=مقاوم(0)، بودجه=کافی(1)، پیچیدگی=پایین(0)new_project = [[1, 0, 1, 0\]\]prediction = model.predict(new_project)print("پیش‌بینی برای پروژه جدید:", "موفق" if prediction[0\] == 1 else "ناموفق")کد تمرین فقط اجرا کنید و یاد بگیریدیکیش این درخت رو باید کارکنیدتمرین استاد زیبا ارزانی هم این بود که روابط باینری و کاردینالی رو هر کدوم در یه نمونه رابطه ۱:۱ , ۱:m ,n:n رسم کنیم و جدول جمعا میشه شیش رابطه: ۱:۱: ۱:n: M:N: اینا که سه تا هستن: برای باینری از هر کدوم: برای کاردینالی هم از هر کدومیک ویدئو کوتاه از اجرا تهیه کنید و برام بفرستید مهلت تا پایان روز سه شنبهانشالله همه دوستان در سلامت باشند. تمرین ساده است ویدئوهای آموزشی رو هم قرار میدهم. نیازی به حضور در کلاس نبود. مجموعه داده هست. کد پایتون هم هست شما فقط باید در محیط برای این مجموعه داده آن را اجرا کنید. در ادامه دو ویدئو آموزشی درخت تصمیم (موضوع جلسه ای که غائب بودید) قرار میدهم.https://faradars.org/videos/decision-trees-in-machine-learning-fvtgs3069https://www.aparat.com/v/zgzu2b0یدونه هم فیلم خواست تازه ی فیلم ساده انجام بدین فوقش صدا بخواد متنو میفرستین میخونم میزارم روشطبق این فیلم میرید جلویکیش اینهیکیش اینهبقیش برای اشنایی هستنرم افزارو نمیدونم راجب یادگیری ماشین و وکد تمرینه و درخت تصمیم هستارشدفیلم تا پایان روز شنبه بقیه برای صبح س۹ سه شنبهوالا نمیدونم از استاد...

توسط خریدار: nikotex

اطلاعات بیشتر:
https://parscoders.com/project/622589/درخت-تصمیم-119960

t.me/ParscodersCom

67 views07:58