Arbre de décision nltk

Question

Je suis tring différente méthode d'apprentissage (Arbre de décision, NaiveBayes, Maxent) Pour comparer leur performance relative pour apprendre à connaître la meilleure méthode d'entre eux? Comment implémenter l'arbre de décision pour obtenir sa précision?

import string 
from sklearn.tree import DecisionTreeClassifier 
from sklearn.metrics import confusion_matrix 
import nltk, nltk.classify.util, nltk.metrics 
from nltk.classify import MaxentClassifier 
from nltk.collocations import BigramCollocationFinder 
from nltk.metrics import BigramAssocMeasures 
from nltk.probability import FreqDist, ConditionalFreqDist 
from sklearn import cross_validation 
import nltk.classify.util 
from nltk.classify import NaiveBayesClassifier 
from nltk.corpus import movie_reviews 

from nltk.classify import MaxentClassifier 
from nltk.corpus import movie_reviews 
from nltk.corpus import movie_reviews as mr 

stop = stopwords.words('english') 
words = [([w for w in mr.words(i) if w.lower() not in stop and w.lower() not in string.punctuation], i.split('/')[0]) for i in mr.fileids()] 

def word_feats(words): 
return dict([(word, True) for word in words]) 

negids = movie_reviews.fileids('neg') 
posids = movie_reviews.fileids('pos') 

negfeats = [(word_feats(movie_reviews.words(fileids=[f])), 'neg') for f in negids] 
posfeats = [(word_feats(movie_reviews.words(fileids=[f])), 'pos') for f in posids] 

negcutoff = len(negfeats)*3/4 
poscutoff = len(posfeats)*3/4 

trainfeats = negfeats[:negcutoff] + posfeats[:poscutoff] 
DecisionTree_classifier = DecisionTreeClassifier.train(trainfeats, binary=True, depth_cutoff=20, support_cutoff=20, entropy_cutoff=0.01) 
print(accuracy(DecisionTree_classifier, testfeats)) 

Answer 1

Dans ce code, vous imprimez la précision, alors quelle est votre véritable question?

Answer 2

Vous devrez regarder le code (ou les chaînes de documentation) de nltk3. Il y a aussi une chance que les exemples donnés dans le livre nltk fonctionnent sans aucun changement. Voir http://www.nltk.org/book/ch06.html#DecisionTrees

Ou vous pouvez simplement lancer un échantillon d'essai et compter les taux négatifs faux positifs et faux vous

C'est votre précision.