用python写，找个数据集，利用SKLearn库跑一个决策树模型

以下是一个使用SKLearn库和Iris数据集的决策树模型：

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Iris数据集
iris = load_iris()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=42)

# 建立决策树模型
clf = DecisionTreeClassifier()

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

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

print("Accuracy:", accuracy)

输出：

Accuracy: 0.9777777777777777

相关问题

用python写，找个数据集，利用SKLearn库跑一个决策树模型,然后写出数据分析和实验过程

数据集选择

我选择了Iris（鸢尾花）数据集。这是一个非常经典的数据集，具有三个类别：setosa，versicolor和virginica。每个类别有50个样本。每个样本有四个特征：花萼长度，花萼宽度，花瓣长度和花瓣宽度。

导入库

首先，我们需要导入必要的库：numpy，pandas，matplotlib和sklearn。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
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

导入数据

Iris数据集是内置的，可以使用sklearn.datasets中的load_iris函数导入。

iris = load_iris()
X = iris.data
y = iris.target

数据分析

我们可以通过使用pandas.DataFrame将数据转换为数据框，然后查看数据的详细信息。

df = pd.DataFrame(X, columns=iris.feature_names)
df['target'] = y
df.head()

输出结果：


我们可以看到，每个样本有四个特征和一个目标值。每个目标值都对应于三个类别中的一个。

接下来，我们可以使用matplotlib.pyplot中的散点图来可视化数据。

plt.scatter(X[:, 0], X[:, 1], c=y)
plt.xlabel('sepal length (cm)')
plt.ylabel('sepal width (cm)')
plt.show()

输出结果：


可以看出，setosa类别与其他两个类别有明显的分离。

实验过程

接下来，我们将数据集划分为训练集和测试集，并训练一个决策树分类器。

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

clf = DecisionTreeClassifier(random_state=42)
clf.fit(X_train, y_train)

接下来，我们可以使用测试集来评估分类器的性能。

y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

输出结果：

Accuracy: 1.0

可以看出，我们的分类器在测试集上表现非常好，准确度为100%。

最后，我们可以可视化决策树模型。

from sklearn.tree import plot_tree

plt.figure(figsize=(15, 10))
plot_tree(clf, filled=True, feature_names=iris.feature_names, class_names=iris.target_names)
plt.show()

输出结果：


我们可以看到，决策树模型基于花瓣长度和花瓣宽度将数据集分为三个类别。这与我们之前看到的散点图相符。

(三)找个数据集，利用SKLearn库跑一个决策树模型； 1.加载数据集，可以使用其它任何数据集，不局限于iris； 2.划分数据集； #两种做法：1.分成训练集和测试集；2.采用K折交叉验证； 3.选择一个分类模型（线性回归、svm等），自己编写，或网上下载，或调用sklearn库，进行训练； 输出在测试集上的精度

1. 首先需要加载数据集，可以使用SKLearn库内置的数据集，例如波士顿房价数据集、手写数字数据集等。也可以使用外部数据集，需要先将数据集导入到Python环境中。
2. 接着需要将数据集划分成训练集和测试集，一般采用随机划分的方法，通常将数据集划分成70%的训练集和30%的测试集，也可以根据数据集的大小进行调整。可以使用SKLearn库中的train_test_split函数来实现数据集的划分。