预测隐形眼镜类型实验决策树优化剪枝处理代码

以下是预测隐形眼镜类型实验的决策树优化剪枝处理代码，使用Python语言实现：

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.tree import export_graphviz
import graphviz

# 读取数据
data = pd.read_csv('lenses.csv', header=None)
data.columns = ['age', 'prescript', 'astigmatic', 'tearRate', 'class']

# 将特征值和目标值分离
feature = data.iloc[:, :-1]
target = data.iloc[:, -1]

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(feature, target, test_size=0.3)

# 构建决策树模型
clf = DecisionTreeClassifier(criterion='entropy')
clf.fit(X_train, y_train)

# 输出模型在测试集上的准确率
y_pred = clf.predict(X_test)
print('Accuracy:', accuracy_score(y_test, y_pred))

# 可视化决策树
dot_data = export_graphviz(clf, out_file=None, feature_names=feature.columns, class_names=target.unique(),
                           filled=True, rounded=True, special_characters=True)
graph = graphviz.Source(dot_data)
graph.view()

# 决策树剪枝
clf = DecisionTreeClassifier(criterion='entropy', ccp_alpha=0.01)
clf.fit(X_train, y_train)

# 输出剪枝后模型在测试集上的准确率
y_pred = clf.predict(X_test)
print('Accuracy after pruning:', accuracy_score(y_test, y_pred))

# 可视化剪枝后的决策树
dot_data = export_graphviz(clf, out_file=None, feature_names=feature.columns, class_names=target.unique(),
                           filled=True, rounded=True, special_characters=True)
graph = graphviz.Source(dot_data)
graph.view()

说明：

1. 首先读取数据，将特征值和目标值分离，然后划分训练集和测试集。

2. 构建决策树模型，使用熵作为划分标准。

3. 输出模型在测试集上的准确率，并可视化决策树。

4. 进行决策树剪枝，使用ccp_alpha参数控制剪枝强度。

5. 输出剪枝后模型在测试集上的准确率，并可视化剪枝后的决策树。