Python 3.x 分类算法-决策树

我有从感应电机收集的MPU6050加速计数据。我想训练一种算法，并使用新的数据集进行预测

我使用决策树分类器对算法进行了训练，得到了100%的分数，并进行了测试

当我尝试为这个模型提供新的数据集时，分类没有正确完成。我在代码末尾给出了一个示例

请查找以下代码：

import pandas as pd
import numpy
import pickle
from pandas.tools.plotting import scatter_matrix
from matplotlib import cm

filename=pd.read_csv("C:/Users/Meena/Desktop/Datawithlabel.txt", sep=',')
filename.columns = ["x", "y", "z","Label"]

feature_names=['x']
X=filename[feature_names]
y=filename['Label']


from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=7)

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()

X_train = scaler.fit_transform(X_train)


from sklearn.tree import DecisionTreeClassifier

clf = DecisionTreeClassifier().fit(X_train, y_train)


print('Accuracy of Decision Tree classifier on training set: {:.2f}'
     .format(clf.score(X_train, y_train)))

训练集上决策树分类器的精度：1.00

0.9394

即使这些值在训练集中作为非工人阶级给出，在预测中仍然作为工人阶级给出。我不知道哪里出了问题

在下面的数据中，第一列是索引，第二列是来自加速计的X轴数据

590  0.03
591  0.03
592  0.02
593  0.02
594  0.01
595  0.04
596  0.12
597  0.12
598  0.11
599  0.14

[“工作”“工作”“工作”“工作”“工作”“工作”“工作”“工作” “正在工作”“正在工作”“正在工作”]

---

除了上面的评论之外，我还注意到一件事，就是您没有缩放测试值

在X_测试中也需要使用相同的定标器，例如：

X_测试=scaler.transform（X_测试）

，然后再进行预测。因此，也要对

定标器进行pickle处理，并在测试期间加载它。
培训期间：

Filename = 'final_model.sav'
pickle.dump(clf, open(Filename, 'wb'))

scaler_Filename = 'final_scalar.sav'
pickle.dump(scaler, open(scaler_Filename, 'wb'))

测试期间：

load_scaler = pickle.load(open(scaler_Filename,'rb'))
X_test = load_scaler.transform(X_test)

load_model = pickle.load(open(Filename,'rb'))
result = load_model.score(X_test,y_test)

print(result)

关于新数据：

Datatopredict = load_scaler.transform(Datatopredict)
prediction = load_model.predict(Datatopredict)

请更详细地解释你在说什么。您所说的“代码”是什么意思？即使这些值在培训集中作为非工人阶级给出，在预测中仍然作为工人阶级产生“

？相同值的预测是否不同。你能分享训练数据吗？训练数据集太大，我无法分享。但是检查我附加的新屏幕截图，其中值[596-599]的类被分类为非工作，但是预测的结果将它们分类为工作，当我尝试按u所说的进行缩放时，我收到以下错误：-------------------------------------------------------------AttributeError回溯（最近一次调用）在（）3 4 load\u model=pickle.load（open（Filename，'rb'））->5 result=load\u model.score（X\u测试，y\u测试）6 7打印（result）AttributeError:“MinMaxScaler”对象没有相同的属性“score”[-------------------------------------------------------------AttributeError回溯（最近一次调用）在（）3 4 load_model=pickle.load（打开（文件名，'rb'）----->5 result=load_model.score（X_测试，y_测试）6 7打印（结果）AttributeError:'MinMaxScaler'对象没有属性'score']@MeenakshiChowdhary请立即尝试。是否有方法可以打印新输入及其相应的预测类？

load_scaler = pickle.load(open(scaler_Filename,'rb'))
X_test = load_scaler.transform(X_test)

load_model = pickle.load(open(Filename,'rb'))
result = load_model.score(X_test,y_test)

print(result)

Datatopredict = load_scaler.transform(Datatopredict)
prediction = load_model.predict(Datatopredict)