bertsimas论文最优分类树的python实现。
pyoptree的Python项目详细描述
#pyoptree
python最优树
用户需要在其计算机上安装**ibm cplex**或**gurobi**并确保**可执行文件已添加到path环境变量**(即命令'cplex'或'gurobi'可以在终端上运行)。
``python
pyoptree.optree导入optimhypertreemodel,optimtreemodel
data=pd.dataframe({
“index”:“a”,“c”,“d”,“e”,“e”,“f”],
“x1”:[1,2,2,2,2,3],
“x2”:[1,2,c”,“c”,“d”,“e”,“e”,“f”],
“x1”:[1,2,2,2,2,3],
“x2”:[1,2,1,1,1,0,0,0,1],
“y”:[1,1,1,[1,1个,-
}
1、1、2、2、3、3],
“x2”:[1、1、1、2、2、2、2、3、3],
“x2”:[1、2、2、2、2、1、1、1、1、2、1、1、1、1、-1、-1、-1、-1、-1、-1、1、1、1、1、0、1、0、1、0、1、0、1、0、1、0、1、1、1、1、1、1、1、1、1、1、1、1、1、1、1、1、1、1、1、1、1、1、1 n_min=1,α=0.1,solver_name=“cplex”)
model.train(data)
打印(model.predict(test_data))
`````
todos
1。使用上一个深度树的解作为“热启动”来加速求解混合整数线性规划(milp);(done√)
2的时间。使用Sklearn购物车中的溶液给出一个好的初始溶液(完成√);
python最优树
用户需要在其计算机上安装**ibm cplex**或**gurobi**并确保**可执行文件已添加到path环境变量**(即命令'cplex'或'gurobi'可以在终端上运行)。
``python
pyoptree.optree导入optimhypertreemodel,optimtreemodel
data=pd.dataframe({
“index”:“a”,“c”,“d”,“e”,“e”,“f”],
“x1”:[1,2,2,2,2,3],
“x2”:[1,2,c”,“c”,“d”,“e”,“e”,“f”],
“x1”:[1,2,2,2,2,3],
“x2”:[1,2,1,1,1,0,0,0,1],
“y”:[1,1,1,[1,1个,-
}
1、1、2、2、3、3],
“x2”:[1、1、1、2、2、2、2、3、3],
“x2”:[1、2、2、2、2、1、1、1、1、2、1、1、1、1、-1、-1、-1、-1、-1、-1、1、1、1、1、0、1、0、1、0、1、0、1、0、1、0、1、1、1、1、1、1、1、1、1、1、1、1、1、1、1、1、1、1、1、1、1、1、1 n_min=1,α=0.1,solver_name=“cplex”)
model.train(data)
打印(model.predict(test_data))
`````
todos
1。使用上一个深度树的解作为“热启动”来加速求解混合整数线性规划(milp);(done√)
2的时间。使用Sklearn购物车中的溶液给出一个好的初始溶液(完成√);