scikit-learn 决策树教程 🌳

决策树是机器学习中常用的监督学习算法，适用于分类和回归任务。以下是使用 scikit-learn 实现决策树的基本步骤：

1. 安装与导入
   确保已安装 scikit-learn，若未安装可运行：

   pip install scikit-learn
   

   导入必要模块：

   from sklearn.datasets import load_iris
   from sklearn.tree import DecisionTreeClassifier, plot_tree
   from sklearn.model_selection import train_test_split
   import matplotlib.pyplot as plt
   

2. 数据准备
   使用内置数据集（如鸢尾花数据集）或加载自定义数据：

   X, y = load_iris(return_X_y=True)
   X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
   

   

3. 训练模型
   创建决策树分类器并拟合数据：

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

   模型训练完成后，可通过 clf.score(X_test, y_test) 评估性能。

4. 可视化决策树
   使用 plot_tree 绘制树结构：

   plt.figure(figsize=(12,8))
   plot_tree(clf, filled=True)
   plt.show()
   

   

5. 预测与应用
   对新数据进行预测：

   prediction = clf.predict([[5.1, 3.4, 1.5, 0.2]])
   

   预测结果将返回分类标签（如鸢尾花种类）。

如需深入了解决策树的参数调优或集成学习方法，可参考本站扩展教程：
/[scikit-learn/decision-tree-advanced]