问题描述
我目前正在研究一种模型，用于预测一个人感染了Corona病毒后死亡的可能性。 我正在使用具有分类变量的荷兰数据集：感染日期，死亡或治愈日期，性别，年龄段等。 建议使用我已经建立的决策树。 由于我是决策树的新手，所以我需要一些帮助。 我想以概率（％）而不是以二进制输出形式表示预测（目标变量）。 我该如何实现？ 我也想通过自己输入数据来处理样本，看看结果如何。 例如：让一个40岁，男性等的人来计算其生存机会。 我该如何实现？ 我已附上以下代码：
from pandas import read_csv
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
import pandas as pd
import random as rnd
filename = '/Users/sef/Downloads/pima-indians-diabetes.csv'
names = ['preg','plas','pres','skin','test','mass','pedi','age','class']
dataframe = read_csv(filename,names=names)
array = dataframe.values
X = array[:,0:8]
Y = array[:,8]
X_train,X_test,Y_train,Y_test = train_test_split(X,Y,test_size=0.3,random_state=1234)
model = DecisionTreeClassifier()
model.fit(X_train,Y_train)
DecisionTreeClassifier(class_weight=None,criterion='gini',max_depth=None,max_features=None,max_leaf_nodes=None,min_impurity_decrease=0.0,min_impurity_split=None,min_samples_leaf=1,min_samples_split=2,min_weight_fraction_leaf=0.0,presort=False,random_state=None,splitter='best')
rnd.seed(123458)
X_new = X[rnd.randrange(X.shape[0])]
X_new = X_new.reshape(1,8)
YHat = model.predict_proba(X_new)
df = pd.DataFrame(X_new,columns = names[:-1])
df["predicted"] = YHat
print(df)
解决方法
决策树还可以估计比实例属于特定类的概率。在火车特征数据中，如下使用predict_proba（），可以返回要预测的各种类别的概率。 model.predict（）返回概率最高的类
model.predict_proba()
您可以使用DecisionTreeClassifier的方法“ predict_proba”来计算概率，而不是二进制分类值。
为了测试可以手工创建的单个数据，您必须创建一个X_test数据形状的数组（只是它只有一个条目）。然后，您可以将其与model.predict（array）或model.predict_proba（array）一起使用。
顺便说一句，您的树当前对检索概率没有用。有一篇文章很好地解释了这个问题：https://rpmcruz.github.io/machine%20learning/2018/02/09/probabilities-trees.html
因此，您可以通过定义树的max_depths来修复代码：
from pandas import read_csv
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
import pandas as pd
import random as rnd
filename = 'pima-indians-diabetes.csv'
names = ['preg','plas','pres','skin','test','mass','pedi','age','class']
dataframe = read_csv(filename,names=names)
array = dataframe.values
X = array[:,0:8]
Y = array[:,8]
X_train,X_test,Y_train,Y_test = train_test_split(X,Y,test_size=0.3,random_state=1234)
model = DecisionTreeClassifier(class_weight=None,criterion='gini',max_depth=1,max_features=None,max_leaf_nodes=None,min_impurity_decrease=0.0,min_impurity_split=None,min_samples_leaf=1,min_samples_split=2,min_weight_fraction_leaf=0.0,presort=False,random_state=None,splitter='best')
model.fit(X_train,Y_train)
rnd.seed(123458)
X_new = X[rnd.randrange(X.shape[0])]
X_new = X_new.reshape(1,8)
YHat = model.predict_proba(X_new)
df = pd.DataFrame(X_new,columns = names[:-1])
df["predicted"] = list(YHat)
print(df)
使用称为predict_proba的函数
model.predict_proba(X_test)
问题的第二部分，这是您将要做的。 使用与您训练过的列名称完全相同的名称创建自己的自定义数据集。 从csv读取数据，并应用相同的编码器值（如果有）。
您还可以以更有效的方式保存标签编码器对象。
label = preprocessing.LabelEncoder()
label_encoded_columns=['Date_statistics_type','Agegroup','Sex','Province','Hospital_admission','Municipal_health_service','Deceased']
for col in label_encoded_columns:
dataframe[col] = dataframe[col].astype(str)
Label_Encoder = labelencoder.fit(dataframe[label_encoded_columns].values.flatten())
Encoded_Array = (Label_Encoder.transform(dataframe[label_encoded_columns].values.flatten())).reshape(dataframe[label_encoded_columns].shape)
LE_Dataframe=pd.DataFrame(Encoded_DataFrame,columns=label_encoded_columns,index=dataframe.index)
LE_mapping = dict(zip(Label_Encoder.classes_,Label_Encoder.transform(Label_Encoder.classes_).tolist()))
#####This should give you dictionary in the form for all your list of values.
##### for eg: {'Apple':0,'Banana':1}
对于问题的第二部分，可以有两种方法。 第一个非常简单，其中您可以使用X_test的值来给出预测结果。 model.predict（X_test.iloc [0:30]）###前30行 model.predict_proba（X_test.iloc [0:30]）
在第二篇中，如果您要谈论引入新数据，那么在这种情况下，您将不得不再次对原始数据进行标签编码。
如果该数据不存在，则可能会给您带来值错误之前从未见过的情况。
在这种情况下，请参阅此link