决策树实例代码python ,可视化并画出变量重要性的图

以下是一个简单的决策树实例代码，以及可视化和绘制特征重要性图表的代码。

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier, plot_tree
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
import numpy as np

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 将数据集分为训练集和测试集
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
clf = DecisionTreeClassifier(random_state=42)

# 训练模型
clf.fit(X_train, y_train)

# 可视化决策树
plt.figure(figsize=(20,10))
plot_tree(clf, filled=True, feature_names=iris.feature_names, class_names=iris.target_names, fontsize=14)
plt.show()

# 绘制特征重要性图表
importances = clf.feature_importances_
indices = np.argsort(importances)[::-1]
feat_importances = {}
for f in range(X.shape[1]):
    feat_importances[iris.feature_names[f]] = importances[indices[f]]
plt.figure(figsize=(8,6))
plt.bar(feat_importances.keys(), feat_importances.values())
plt.xticks(rotation=90)
plt.show()

这个代码使用鸢尾花数据集来构建一个决策树分类器，并将其可视化。此外，它还计算了每个特征的重要性并绘制了一个条形图，以使特征重要性更加清晰可见。