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                        

1. pip install scikit-learn

复制代码

      

• 1.
  

                       以下是一个决策树分类器的实例步伐：
                                   登录后复制                        

1. from sklearn.datasets import load_iris
2. from sklearn.model_selection import train_test_split
3. from sklearn.tree import DecisionTreeClassifier, plot_tree  # 导入plot_tree函数
4. from sklearn.metrics import accuracy_score
5. import matplotlib.pyplot as plt
7. # 加载鸢尾花数据集
8. iris = load_iris()
9. X, y = iris.data, iris.target
11. # 划分训练集和测试集
12. X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
14. # 创建决策树分类器实例
15. clf = DecisionTreeClassifier(random_state=42)
17. # 训练模型
18. clf.fit(X_train, y_train)
20. # 预测测试集
21. y_pred = clf.predict(X_test)
23. # 计算准确率
24. accuracy = accuracy_score(y_test, y_pred)
25. print(f"Accuracy: {accuracy:.2f}")
27. # 可视化决策树
28. plt.figure(figsize=(12, 8))
29. plot_tree(clf, filled=True, feature_names=iris.feature_names, class_names=iris.target_names)
30. plt.title("Decision Tree for Iris Dataset")
31. plt.show()

复制代码

      

• 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：
     

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。