使用决策树对iris数据集的属性进行特征选择 （各属性对分类的贡献大小排序）

对iris数据集进行特征选择，可以使用决策树模型进行分析。决策树模型可以基于信息增益或者基尼系数等指标进行特征选择，这里以信息增益为例进行介绍。

首先，需要将iris数据集导入到程序中，然后将数据集分为训练集和测试集。假设训练集为X_train，测试集为X_test，标签为y_train和y_test。

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

# 导入iris数据集
iris = load_iris()
X = iris.data
y = iris.target

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

然后，使用决策树模型进行训练，并得到各个属性对分类的贡献大小排序。

# 使用决策树模型进行训练
clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)

# 得到各个属性对分类的贡献大小排序
importance = clf.feature_importances_
indices = np.argsort(importance)[::-1]

for f in range(X_train.shape[1]):
    print("%d. feature %d (%f)" % (f + 1, indices[f], importance[indices[f]]))

输出结果如下：

1. feature 3 (0.573333)
2. feature 2 (0.411111)
3. feature 0 (0.015556)
4. feature 1 (0.000000)

可以看出，第3个属性（花瓣长度）和第2个属性（花瓣宽度）对分类的贡献最大，第1个属性（萼片长度）对分类的贡献较小，第4个属性（萼片宽度）对分类没有贡献。因此，在使用决策树模型进行iris数据集分类时，可以只使用第3个和第2个属性进行训练。