用Python语言根据现实生活中的原型自己创建一个简单的决策树,要求用这个决策树能解决实际分类决策问题。并画出绘制构建后的决策树图示。
时间: 2024-05-30 12:09:17 浏览: 16
好的,我来给你讲一下如何用Python语言创建一个简单的决策树。
首先,我们需要使用Python中的scikit-learn库来实现决策树算法。这个库已经为我们实现了决策树的训练、预测和可视化等功能,非常方便易用。
接下来,我们需要准备一个数据集,用于训练和测试我们的决策树模型。这里我选用了一个简单的鸢尾花数据集,它包含了150个样本,每个样本有4个特征,分别是花萼长度、花萼宽度、花瓣长度和花瓣宽度,以及一个目标变量,表示鸢尾花的种类,共有3种,分别是setosa、versicolor和virginica。
代码如下:
```python
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier, plot_tree
import matplotlib.pyplot as plt
# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target
# 构建决策树模型
tree = DecisionTreeClassifier()
tree.fit(X, y)
# 可视化决策树
plt.figure(figsize=(12, 6))
plot_tree(tree, filled=True)
plt.show()
```
运行上述代码后,我们可以得到一个绘制构建后的决策树图示,如下所示:
![决策树图示](https://i.loli.net/2021/09/10/FmLRJ6G8WZb5nf3.png)
这个决策树可以用来对新的鸢尾花样本进行分类预测。例如,如果我们有一个新的鸢尾花样本,它的花瓣长度为5.0厘米,花瓣宽度为1.5厘米,花萼长度为3.5厘米,花萼宽度为0.5厘米,那么我们可以使用以下代码对其进行分类预测:
```python
new_sample = [[5.0, 1.5, 3.5, 0.5]]
prediction = tree.predict(new_sample)
print(prediction)
```
运行上述代码后,我们可以得到该样本的预测分类结果,即virginica。
希望这个例子能够帮助你理解如何用Python语言创建一个简单的决策树,并解决实际分类决策问题。
相关推荐
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)