决策树分类算法解决鸢尾花分类代码

好的，下面是使用决策树分类算法解决鸢尾花分类的 Python 代码：

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = load_iris()

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42)

# 创建决策树分类器
clf = DecisionTreeClassifier()

# 训练模型
clf.fit(X_train, y_train)

# 预测
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)

# 打印准确率
print("Accuracy:", accuracy)

以上代码使用了 scikit-learn 中的决策树分类器，通过加载鸢尾花数据集进行训练和测试，最后计算模型的准确率。

相关问题

决策树分类算法解决鸢尾花分类代码，输出决策树图像

好的，下面是使用决策树分类算法解决鸢尾花分类，并输出决策树图像的 Python 代码：

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier, export_graphviz
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import graphviz

# 加载鸢尾花数据集
iris = load_iris()

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42)

# 创建决策树分类器
clf = DecisionTreeClassifier()

# 训练模型
clf.fit(X_train, y_train)

# 预测
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)

# 打印准确率
print("Accuracy:", accuracy)

# 输出决策树图像
dot_data = export_graphviz(clf, out_file=None, feature_names=iris.feature_names, class_names=iris.target_names, filled=True, rounded=True, special_characters=True)
graph = graphviz.Source(dot_data)
graph.render("iris_decision_tree")

以上代码在训练完模型后，使用 `export_graphviz` 函数将决策树转换为 Graphviz 格式，并将图像保存到文件中。可以使用 `graph.render("iris_decision_tree")` 将图像保存为 PDF 文件，并命名为 `iris_decision_tree.pdf`。

决策树算法实现鸢尾花的分类代码

好的，以下是使用Python实现决策树算法实现鸢尾花分类的代码：

# 导入相关库
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn import metrics

# 加载鸢尾花数据集
iris = load_iris()

# 将数据集转换为DataFrame格式
iris_df = pd.DataFrame(iris.data, columns=iris.feature_names)
iris_df['target'] = iris.target

# 划分数据集为训练集和测试集
x_train, x_test, y_train, y_test = train_test_split(iris_df[iris.feature_names], iris_df['target'], test_size=0.3, random_state=0)

# 构建决策树模型
dtc = DecisionTreeClassifier()
dtc.fit(x_train, y_train)

# 对测试集进行预测
y_pred = dtc.predict(x_test)

# 计算模型的准确率
accuracy = metrics.accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

以上代码中，我们使用sklearn库中的`DecisionTreeClassifier`类来构建决策树模型，并使用`train_test_split`函数将数据集划分为训练集和测试集。然后使用`fit`方法对训练集进行拟合，使用`predict`方法对测试集进行预测，并使用`accuracy_score`方法计算模型的准确率。