TreeRustler

TreeRustler 是使用 Rust 编程语言实现的决策树分类器的一个简单实现。该项目在构建决策树分类器的同时，可以作为 Rust 语言入门的探索。该项目中的主要模块是 data 模块和 tree 模块。

数据模块

data 模块提供 Data 结构体，它表示树实现所需的数据类型。该 Data 结构体保存构建决策树分类器所需的训练特征。该模块仅处理决策树（即，目前还没有加载、预处理或分割）所必需的数据操作。

树模块

tree 模块包含 DecisionTreeClassifier 结构体。这个结构体表示决策树分类器，并提供以下参数

• max_depth：指定决策树的最大深度。它控制树在训练过程中可以长多深。设置较小的值可以帮助防止过拟合，但太小可能导致欠拟合。
• min_samples_split：指定在训练过程中分裂内部节点所需的样本的最小数量。它控制何时停止进一步分裂节点。设置较高的值可以防止过拟合，但太高可能导致欠拟合。

DecisionTreeClassifier 结构体有以下方法

• fit(x: &Data, y: &Vec<u8>)：将决策树分类器拟合到提供的训练数据。此方法使用来自 Data 结构体的特征和来自不同向量的标签来训练分类器。
• predict_proba(x: &Data) -> Vec<f64>：使用训练好的决策树预测提供数据的类别概率。它返回每个类别的概率向量。

用法

使用TreeRustler项目，请按照以下步骤操作：

1. 克隆仓库： git clone https://github.com/EduardoPach/treerustler.git
2. 导航到项目目录： cd treerustler
3. 请确保您已安装Rust。如果没有，请从https://rust-lang.net.cn/安装Rust。
4. 加载您的数据，并将特征数据转换为Data结构，标签转换为Vec<u8>。
5. 从tree模块创建一个DecisionTreeClassifier实例，指定所需的max_depth和min_samples_split值。
6. 在分类器实例上调用fit方法，传递您的训练数据。
7. 使用predict_proba方法预测新数据点的类别概率。

use treerustler::data::Data;
use treerustler::tree::DecisionTreeClassifier;

fn main() {
    // Load your features data and labels
    let x: data::Data = data::Data::from_string(&"1 3; 2 3; 3 1; 3 1; 2 3");
    let y: Vec<u8> = vec![0, 0, 1, 1, 2];

    // Create an instance of DecisionTreeClassifier
    let mut classifier = DecisionTreeClassifier::new(max_depth, min_samples_split);

    // Fit the classifier to the training data
    classifier.fit(&x, &y);

    // Predict class probabilities for new data points
    let probabilities = classifier.predict_proba(&x);

    // Process the predicted probabilities as needed
}