Scikit-learn－04.决策树算法

本系列文章介绍人工智能的基础概念和常用公式。由于协及内容所需的数学知识要求，建议初二以上同学学习。 运行本系统程序，请在电脑安装好Python、matplotlib和scikit-learn库。相关安装方法可自行在百度查找。

这节我们来说机器学习中常用的一个功能－决策树。决策树是分类器中的一种，属于有监督学习方法。简单来说，分类器就是根据样本的特征或属性，划分到已有的类别中。也就是说，这些类别是已知的，通过对已知分类的数据进行训练和学习，找到这些不同类的特征，再对未分类的数据进行分类。因此他需要大量的历史数据。数据越多，运算结果就越接近正确值。

决策树是一个类似于流程图的树结构，分支节点表示对一个特征进行测试，根据测试结果进行分类，树叶节点代表一个类别。

---

示例说明

下面我们以考试成绩来进行一个分类例子。某班学生语、数、英三科考试成绩。每科都在80分以上的就算优秀。优秀用1表示。假设我并不知道优秀的标准计算方式，只有一堆学生成绩和评定结果。我如何根据这些数据推算出新学生的成绩评定呢？

---

示例程序

from sklearn import tree
#语数英三科成绩
data_set = [[80,90,70],[60,90,87],[98,85,97],[40,70,50],[89,90,87],[67,85,74],[87,82,80],[100,76,79]]
#三科成绩对应是澡优秀，１为优秀
labels = [0,0,1,0,1,0,1,0]
   
#生成决策树分类器
clf = tree.DecisionTreeClassifier()
#分类器训练数据
clf = clf.fit(data_set,labels)
    
#分类器预测新成绩数据
print(clf.predict([[80,45,76],[90,97,84]]))

 运行结果

[0,1]
#第一个成绩是０，第二个成绩是１，优秀。

 这里要注意一点，输入的样本数据一定要多。这样才能保证预测值的准确度。