首页分享使用Python实现应用决策树（鸢尾花数据集）的实例程序

使用Python实现应用决策树（鸢尾花数据集）的实例程序

来源：花匠小妙招时间：2025-09-24 12:22

我们首先从scikit-learn库中加载了鸢尾花（iris）数据集，这是一个常用的多类分类数据集。然后，我们使用train_test_split函数将数据集划分为训练集和测试集。

接着，我们创建了一个DecisionTreeClassifier实例，这是scikit-learn中实现决策树分类器的类。我们使用fit方法训练模型，并使用predict方法对测试集进行预测。最后，我们使用accuracy_score函数计算模型的准确率，并打印出来。

请注意，这个示例程序使用了gini作为分裂标准（criterion参数），这意味着在每个节点的划分过程中，算法会基于基尼指数（Gini index）来选择最优的特征和分割点。random_state参数用于保证结果的可复现性。

这个决策树模型可以用于分类新的数据点，判断它们属于鸢尾花数据集中的三个类别中的哪一种

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：

pip install scikit-learn1.

完整代码：

from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 加载数据集 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(criterion='gini', 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"Model accuracy: {accuracy:.2f}%", accuracy * 100)1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.

该Python程序利用了`scikit-learn`库中的`DecisionTreeClassifier`，实现了一个决策树分类器，用于对鸢尾花（Iris）数据集中的花卉种类进行分类。程序首先导入了必要的模块和数据集，其中`load_iris`函数从`scikit-learn.datasets`模块加载了鸢尾花数据集，这个数据集包含了150个样本，每个样本有4个特征，分别代表花萼片和花瓣的长度和宽度，以及它们所属的3个类别标签。

接着，程序使用`train_test_split`函数将数据集划分为训练集和测试集，其中70%的数据用于训练，30%的数据用于测试，以评估模型的性能。然后，创建了一个决策树分类器的实例，指定了使用基尼指数（Gini index）作为节点分裂的标准，并通过`random_state`参数设置了随机数种子，以确保结果的可复现性。

在模型训练阶段，程序调用了`fit`方法，将训练集的特征和标签传递给分类器，以学习数据中的模式。完成训练后，使用`predict`方法对测试集的特征进行预测，得到每个样本的预测类别。最后，程序计算了模型的准确率，这是通过比较预测标签和测试集的真实标签，并使用`accuracy_score`函数得出的，它表示正确预测的样本数占总样本数的比例。

程序的输出是模型在测试集上的准确率，以百分比的形式展示，这为评估决策树分类器的性能提供了一个量化的指标。整个流程展示了机器学习中从数据准备到模型训练，再到性能评估的完整过程，为用户提供了一个清晰、简洁的决策树应用实例。

网址: 使用Python实现应用决策树（鸢尾花数据集）的实例程序 https://www.huajiangbk.com/newsview2368117.html

所属分类：花卉