鸢尾花数据集预剪枝的python代码

鸢尾花数据集是一个经典的分类问题数据集，可以使用预剪枝来优化决策树模型。下面是使用sklearn库中的决策树模型进行预剪枝的python代码示例：

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

# 加载数据集
iris = load_iris()
X = iris.data
y = 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=0.2, random_state=42)

# 定义决策树模型，设置预剪枝参数
clf = DecisionTreeClassifier(max_depth=3, min_samples_leaf=5)

# 拟合模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 输出模型准确率
print("Accuracy:", clf.score(X_test, y_test))

在上述代码中，我们使用`DecisionTreeClassifier`类定义决策树模型，并通过设置`max_depth`和`min_samples_leaf`两个参数进行预剪枝。`max_depth`表示决策树的最大深度，`min_samples_leaf`表示每个叶子节点至少包含的样本数。这两个参数都是用来控制决策树的复杂度，防止过拟合。

在拟合模型后，我们可以使用`score`方法输出模型的准确率。