机器学习(9)决策树(决策树分类鸢尾花)

目录

一、基础理论

 二、决策树分类鸢尾花

API

1、读取数据

2、划分数据集

3、创建决策树预估器,训练

4、模型评估

方法一:比对法

方法二:计算错误率

代码


一、基础理论

决策树思想:

程序设计中的条件分支结构是if-else分支结构,最早的决策树就是利用这类结构分割数据。

目的:找到最高效的决策顺序

 机器学习(9)决策树(决策树分类鸢尾花)_第1张图片

 二、决策树分类鸢尾花

API

sklearn.tree.DecisionTreeClassifier

机器学习(9)决策树(决策树分类鸢尾花)_第2张图片

1、读取数据

# 1、获取数据集
iris = load_iris()

2、划分数据集

# 2、划分数据集
train_data, test_data, train_target, test_target = train_test_split(iris.data, iris.target)

3、创建决策树预估器,训练

# 3、决策树预估器,训练
estimator = DecisionTreeClassifier()
estimator.fit(train_data, train_target)

4、模型评估

方法一:比对法

# 方法一:比对法
predict = estimator.predict(test_data)
print(predict == test_target)

方法二:计算错误率

# 方法二:计算错误率
score = estimator.score(test_data, test_target)
print('分类错误率:', score)

机器学习(9)决策树(决策树分类鸢尾花)_第3张图片

代码

# 决策树分类鸢尾花
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、获取数据集
iris = load_iris()

# 2、划分数据集
train_data, test_data, train_target, test_target = train_test_split(iris.data, iris.target)

# 3、决策树预估器,训练
estimator = DecisionTreeClassifier()
estimator.fit(train_data, train_target)

# 4、模型评估
# 方法一:比对法
predict = estimator.predict(test_data)
print(predict == test_target)

# 方法二:计算错误率
score = estimator.score(test_data, test_target)
print('分类正确率:', score)

你可能感兴趣的:(#,机器学习,决策树,算法,机器学习,人工智能,sklearn)