决策树算法对鸢尾花数据集进行分类

①导入相关扩展包

from sklearn.tree import DecisionTreeClassifier

from sklearn.tree import export_graphviz

②获取数据集

iris = load_iris()

③划分数据集

x_train,x_test,y_train,y_test=train_test_split(iris.data,iris.target,random_state=20)

④决策树预估器(estimator)

estimator=DecisionTreeClassifier(criterion="entropy") #criterion默认为'gini'系数，也可选择信息增益熵'entropy' estimator.fit(x_train,y_train) #调用fit()方法进行训练,()内为训练集的特征值与目标值

⑤模型评估

方法一：直接对比测试集的真实值和预测值

y_predict=estimator.predict(x_test) #传入测试集特征值，预测所给测试集的目标值 print("y_predict:n",y_predict) print("直接对比真实值和预测值：n",y_test==y_predict)

方法二：计算准确率

score=estimator.score(x_test,y_test) #传入测试集的特征值和目标值

⑥决策树可视化（将结果写入tree.dot文件中，然后将tree.dot文件中的内容粘贴在webgraphviz.com中进行可视化展示

export_graphviz(estimator, out_file="tree.dot", feature_names=iris.feature_names)

主要代码：

def decision_demo(): # 1.获取数据集 iris = load_iris() # 2.划分数据集 x_train,x_test,y_train,y_test=train_test_split(iris.data,iris.target,random_state=20) # 3.决策树预估器(estimator) estimator=DecisionTreeClassifier(criterion="entropy") #criterion默认为'gini'系数，也可选择信息增益熵'entropy' estimator.fit(x_train,y_train) #调用fit()方法进行训练,()内为训练集的特征值与目标值 # 4.模型评估 #方法一：直接对比真实值和预测值 y_predict=estimator.predict(x_test) #传入测试集特征值，预测所给测试集的目标值 print("y_predict:n",y_predict) print("直接对比真实值和预测值：n",y_test==y_predict) #方法二：计算准确率 score=estimator.score(x_test,y_test) #传入测试集的特征值和目标值 print("准确率为：n",score) #决策树可视化 export_graphviz(estimator,out_file="tree.dot",feature_names=iris.feature_names) return None

代码运行结果：

 可视化展示结果：

 注：可视化展示中，feature_names=iris.feature_names缺省会出现特征值名称缺失现象，如下图所示：

相关知识

以鸢尾花数据集为例，用Python对决策树进行分类
Python实现C4.5决策树在鸢尾花数据集上的分类应用
鸢尾花、葡萄酒分类数据集
决策树可视化：鸢尾花数据集分类(附代码数据集)
python利用c4.5决策树对鸢尾花卉数据集进行分类（iris）
基于机器学习的鸢尾花数据集的三分类算法的实现 C++
对鸢尾花进行分类预测
鸢尾花数据集分类（决策树，朴素贝叶斯，人工神经网络）
对鸢尾花数据进行分类的思路
数据挖掘算法和实践（二）：决策树（iris鸢尾花数据集）

原文链接: 决策树算法对鸢尾花数据集进行分类 https://www.huajiangbk.com/newsview2368119.html