sklearn决策树代码

以下是一个使用sklearn库的决策树分类器的示例代码：

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

# 加载鸢尾花数据集
iris = load_iris()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42)

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

# 使用训练集拟合分类器
clf.fit(X_train, y_train)

# 使用测试集测试分类器性能
score = clf.score(X_test, y_test)

print("分类器在测试集上的准确率为：", score)

这个例子使用`load_iris()`加载了鸢尾花数据集，并使用`train_test_split()`函数将数据集划分为训练集和测试集。然后，创建了一个决策树分类器，使用训练集对其进行拟合，并使用测试集对其进行测试，最后输出分类器在测试集上的准确率。

相关问题

sklearn决策树可视化

sklearn决策树可视化需要借助Graphviz工具，具体步骤如下：

1. 安装Graphviz工具

首先需要在本地安装Graphviz工具，可以通过官网下载对应操作系统版本的安装包，并进行安装。

2. 安装Python库

使用以下命令安装相关Python库：

pip install pydotplus
pip install graphviz

3. 加载数据集并训练决策树模型

使用sklearn库加载数据集并训练决策树模型，例如：

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

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

# 训练决策树模型
clf = DecisionTreeClassifier()
clf.fit(X, y)

4. 可视化决策树

使用以下代码将决策树可视化：

from sklearn.tree import export_graphviz
import pydotplus
from IPython.display import Image

# 将决策树导出为DOT格式
dot_data = export_graphviz(clf, out_file=None, 
                           feature_names=iris.feature_names,  
                           class_names=iris.target_names,  
                           filled=True, rounded=True,  
                           special_characters=True)

# 使用pydotplus库将DOT格式转换为图像
graph = pydotplus.graph_from_dot_data(dot_data)

# 使用Image库显示图像
Image(graph.create_png())

如果想将决策树保存为PDF或PNG文件，可以使用以下代码：

# 将决策树保存为PDF文件
graph.write_pdf("iris.pdf")

# 将决策树保存为PNG文件
graph.write_png("iris.png")

这样就可以将sklearn决策树可视化了。

sklearn 决策树画图

要使用sklearn绘制决策树图，需要安装graphviz和pydotplus两个库。安装完成后，可以按照以下步骤进行绘制决策树图。

1. 导入需要的库和数据集

from sklearn import tree
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
import graphviz
import pydotplus

iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=0)

2. 训练决策树模型

clf = tree.DecisionTreeClassifier()
clf.fit(X_train, y_train)

3. 绘制决策树图

dot_data = tree.export_graphviz(clf, out_file=None, 
                      feature_names=iris.feature_names,  
                      class_names=iris.target_names,  
                      filled=True, rounded=True,  
                      special_characters=True)  
graph = pydotplus.graph_from_dot_data(dot_data)  
graph.write_pdf("iris.pdf")

以上代码将生成一个名为“iris.pdf”的决策树图。可以使用Adobe Acrobat Reader或其他PDF阅读器打开该文件，查看决策树图。