目錄

一、基礎理論

?二、決策樹分類鳶尾花

API

1、讀取數據

2、劃分數據集

3、創建決策樹預估器，訓練

4、模型評估

方法一：比對法

方法二：計算錯誤率

代碼

---

一、基礎理論

決策樹思想：

程序設計中的條件分支結構是if-else分支結構，最早的決策樹就是利用這類結構分割數據。

目的：找到最高效的決策順序。

?

?二、決策樹分類鳶尾花

API

sklearn.tree.DecisionTreeClassifier

1、讀取數據

# 1、獲取數據集
iris = load_iris()

2、劃分數據集

# 2、劃分數據集
train_data, test_data, train_target, test_target = train_test_split(iris.data, iris.target)

3、創建決策樹預估器，訓練

# 3、決策樹預估器，訓練
estimator = DecisionTreeClassifier()
estimator.fit(train_data, train_target)

4、模型評估

方法一：比對法

# 方法一：比對法
predict = estimator.predict(test_data)
print(predict == test_target)

方法二：計算錯誤率

# 方法二：計算錯誤率
score = estimator.score(test_data, test_target)
print('分類錯誤率：', score)

代碼

# 決策樹分類鳶尾花
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.tree import export_graphviz# 1、獲取數據集
iris = load_iris()# 2、劃分數據集
train_data, test_data, train_target, test_target = train_test_split(iris.data, iris.target)# 3、決策樹預估器，訓練
estimator = DecisionTreeClassifier()
estimator.fit(train_data, train_target)# 4、模型評估
# 方法一：比對法
predict = estimator.predict(test_data)
print(predict == test_target)# 方法二：計算錯誤率
score = estimator.score(test_data, test_target)
print('分類正確率：', score)

總結

以上是生活随笔為你收集整理的机器学习（9）决策树（决策树分类鸢尾花）的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。