决策树模型的实现代码示例
时间: 2024-09-07 16:03:33 浏览: 29
决策树是一种常用的机器学习算法,用于分类和回归任务。以下是使用Python中的`scikit-learn`库实现决策树模型的一个简单示例:
```python
# 导入决策树算法以及数据集
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# 创建决策树分类器实例
clf = DecisionTreeClassifier()
# 训练模型
clf.fit(X_train, y_train)
# 使用测试集进行预测
y_pred = clf.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"模型的准确率: {accuracy:.2f}")
# 可视化决策树(需要安装graphviz)
# from sklearn.tree import export_graphviz
# export_graphviz(clf, out_file='tree.dot', class_names=iris.target_names, feature_names=iris.feature_names, filled=True)
# ...
```
在上面的代码中,我们首先导入了必要的模块和函数。接着加载了Iris数据集,这是一个常用的分类数据集。我们使用`train_test_split`函数将数据集分为训练集和测试集。然后创建了`DecisionTreeClassifier`的实例,使用训练集数据训练模型,并用测试集数据评估模型的准确率。
请注意,可视化解析`tree.dot`文件需要安装`graphviz`软件包,并确保系统的环境变量中有`graphviz`的路径。
阅读全文