因?yàn)轫?xiàng)目原因要調(diào)研一些人力資源管理系統(tǒng)常用的機(jī)器學(xué)習(xí)算法，就利用鳶尾花數(shù)據(jù)集嘗試了一下決策樹算法。

• 第一步：數(shù)據(jù)的獲取

from sklearn.datasets import load_irisiris = load_iris() #加載鳶尾花數(shù)據(jù)集 iris_feature = iris.data #特征數(shù)據(jù) iris_target = iris.target #分類數(shù)據(jù)print('訓(xùn)練總數(shù)：', len(iris_target)) print('分類數(shù)據(jù)：', iris_target) print('特征數(shù)據(jù)：', iris_feature)'''0：Iris Setosa1：Iris Versicolour2：Iris Virginica '''

• 第二步：數(shù)據(jù)的劃分

from sklearn.model_selection import train_test_splitfeature_train, feature_test, target_train, target_test = train_test_split(iris_feature, iris_target, test_size=0.25, random_state=40)print('訓(xùn)練集總數(shù)：', len(target_train), '\n', '訓(xùn)練集目標(biāo)值：', target_train) print('驗(yàn)證集總數(shù)：', len(target_test), '\n', '驗(yàn)證集目標(biāo)值：', target_test)''' feature_train：訓(xùn)練集特征 feature_test：測試集特征 target_train：訓(xùn)練集目標(biāo)值 target_test：驗(yàn)證集目標(biāo)值 '''

• 第三步：模型的訓(xùn)練及預(yù)測

from sklearn import tree from sklearn.metrics import accuracy_scoredt_model = tree.DecisionTreeClassifier() clf = dt_model.fit(feature_train, target_train) #使用訓(xùn)練集訓(xùn)練模型 predict_results = dt_model.predict(feature_test) #使用模型對測試集進(jìn)行預(yù)測print('測試結(jié)果：', predict_results) print('實(shí)際數(shù)據(jù)：', target_test) print('預(yù)測結(jié)果準(zhǔn)確度：', accuracy_score(predict_results, target_test)) #查看預(yù)測結(jié)果準(zhǔn)確度

• 第四步：決策樹的可視化

import os os.environ["PATH"] += os.pathsep + 'D:\\LU\\Graphviz\\bin' with open('iris.dot', 'w') as f: #模型clf存入dot文件iris.dotf = tree.export_graphviz(clf, out_file=f)from IPython.display import Image import pydotplus dot_data = tree.export_graphviz(clf, out_file=None, feature_names=iris.feature_names, class_names=iris.target_names, filled=True, rounded=True, special_characters=True) graph = pydotplus.graph_from_dot_data(dot_data) Image(graph.create_png())

鏈接：https://pan.baidu.com/s/1iBrumtLvC3n8TO4evzwXgQ
提取碼：1k90

總結(jié)

以上是生活随笔為你收集整理的决策树 - 鸢尾花数据集的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。