python sklearn决策树实例

下面是一个使用 python sklearn 库中决策树算法的简单示例：

from sklearn import datasets
from sklearn import tree

# 加载鸢尾花数据集
iris = datasets.load_iris()

# 创建决策树分类器
clf = tree.DecisionTreeClassifier()

# 训练模型
clf.fit(iris.data, iris.target)

# 预测
predicted = clf.predict(iris.data)

# 计算准确率
accuracy = clf.score(iris.data, iris.target)
print("Accuracy: ", accuracy)

这个示例使用了鸢尾花数据集，导入了决策树分类器，训练了模型并计算了准确率。

相关问题

sklearn决策树

决策树是一种常用的机器学习算法，而scikit-learn（简称sklearn）是一个流行的Python机器学习库，其中包含了许多常用的机器学习算法，包括决策树。在sklearn中，决策树可以通过使用DecisionTreeClassifier（分类问题）或DecisionTreeRegressor（回归问题）类来构建。

要使用sklearn中的决策树算法，首先需要导入相应的类：

from sklearn.tree import DecisionTreeClassifier, DecisionTreeRegressor

然后，可以创建一个决策树分类器或回归器的实例，并使用fit方法对数据进行训练：

# 创建决策树分类器
clf = DecisionTreeClassifier()
# 创建决策树回归器
reg = DecisionTreeRegressor()

# 使用训练数据对分类器或回归器进行训练
clf.fit(X_train, y_train)
reg.fit(X_train, y_train)

其中，X_train是训练数据的特征矩阵，y_train是对应的目标标签（分类问题）或目标值（回归问题）。

训练完成后，可以使用predict方法对新数据进行预测：

# 使用分类器进行预测
y_pred = clf.predict(X_test)
# 使用回归器进行预测
y_pred = reg.predict(X_test)

除了上述基本用法之外，sklearn中的决策树还支持一些参数和方法，例如设置树的最大深度、最小样本拆分等，以及可视化决策树等。你可以查阅sklearn的文档来获取更详细的信息。

sklearn实现决策树实例和完整代码，输出精度

以下是使用sklearn实现决策树的示例代码，使用Iris数据集进行训练和测试，并输出了模型的分类精度：

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

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

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建决策树分类器
clf = DecisionTreeClassifier()

# 训练模型
clf.fit(X_train, y_train)

# 预测结果
y_pred = clf.predict(X_test)

# 计算分类精度
accuracy = accuracy_score(y_test, y_pred)

# 输出分类精度
print("Accuracy:", accuracy)

输出结果为：

Accuracy: 0.9777777777777777

说明该决策树模型对Iris数据集的分类精度为97.78%。