Python实现应用决策树的实例步伐
决策树是一种常用的呆板学习算法，用于分类和回归任务。以下是使用Python和scikit-learn库实现决策树分类器的简单实例步伐，用于对鸢尾花(Iris)数据集举行分类。首先，确保你已经安装了scikit-learn库。如果没有安装，可以通过以下命令安装：
登录后复制 pip install scikit-learn
[*]1.
以下是一个决策树分类器的实例步伐：
登录后复制 from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier, plot_tree# 导入plot_tree函数
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt
# 加载鸢尾花数据集
iris = load_iris()
X, y = iris.data, iris.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# 创建决策树分类器实例
clf = DecisionTreeClassifier(random_state=42)
# 训练模型
clf.fit(X_train, y_train)
# 预测测试集
y_pred = clf.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy:.2f}")
# 可视化决策树
plt.figure(figsize=(12, 8))
plot_tree(clf, filled=True, feature_names=iris.feature_names, class_names=iris.target_names)
plt.title("Decision Tree for Iris Dataset")
plt.show()
[*]1.
[*]2.
[*]3.
[*]4.
[*]5.
[*]6.
[*]7.
[*]8.
[*]9.
[*]10.
[*]11.
[*]12.
[*]13.
[*]14.
[*]15.
[*]16.
[*]17.
[*]18.
[*]19.
[*]20.
[*]21.
[*]22.
[*]23.
[*]24.
[*]25.
[*]26.
[*]27.
[*]28.
[*]29.
[*]30.
[*]31.
在这个步伐中，我们首先从scikit-learn库中加载了鸢尾花数据集，并将数据集分别为训练集和测试集。然后，我们创建了一个DecisionTreeClassifier实例，并使用训练集对其举行训练。接着，我们使用训练好的模型对测试集举行猜测，并盘算模型的正确率。最后，我们使用matplotlib库和tree.plot_tree函数可视化决策树。
这个步伐展示了决策树算法在分类任务中的应用，通过可视化决策树，我们可以直观地相识模型是怎样根据特征举行分类决策的。
运行乐成截图：
https://i-blog.csdnimg.cn/img_convert/f049477dc844c1deb873505985906619.png
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]