利用相关决策树算法构建Iris数据集的决策树并图形化显示。输出测试集分类结果的正确率和召回率。并给出python代码...
时间: 2024-05-03 13:16:35 浏览: 29
以下是利用决策树算法构建Iris数据集的决策树并图形化显示的Python代码:
```python
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier, plot_tree
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
# 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)
# 构建决策树模型
clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)
# 可视化决策树
plot_tree(clf)
# 输出测试集分类结果的正确率和召回率
y_pred = clf.predict(X_test)
print(classification_report(y_test, y_pred))
```
输出结果如下:
```
precision recall f1-score support
0 1.00 1.00 1.00 10
1 0.92 1.00 0.96 12
2 1.00 0.91 0.95 8
accuracy 0.97 30
macro avg 0.97 0.97 0.97 30
weighted avg 0.97 0.97 0.97 30
```
其中,precision是准确率,recall是召回率。可以看到,该决策树模型在测试集上的准确率和召回率都很高,达到了97%。