Sklearn 机器学习 决策树 训练决策树分类模型

💖亲爱的技术爱好者们，热烈欢迎来到 Kant2048 的博客！我是 Thomas Kant，很开心能在优快云上与你们相遇～💖

本博客的精华专栏：
【自动化测试】 【测试经验】 【人工智能】 【Python】

---

Sklearn 机器学习 | 决策树分类模型训练实战指南

在机器学习中，决策树（Decision Tree） 是一种简单直观且非常实用的监督学习算法，常用于分类与回归任务。

本文将带你使用 Scikit-learn 库，从零构建一个决策树分类模型，并讲解相关原理、训练步骤与模型评估方法，适合机器学习入门者与项目实战者参考。

---

🌲 一、决策树分类模型简介

决策树是一种基于树形结构的模型，适用于处理具有明确标签的分类任务。其核心思想是通过特征的划分规则将数据一步步拆解，直至每个分支最终对应一个类别。

• 优点：

  • 逻辑清晰，易于可视化；
  • 能处理非线性关系；
  • 不需要归一化或标准化；
  • 可处理类别型与数值型特征。

• 缺点：

  • 容易过拟合，尤其是深树；
  • 对数据噪声敏感；
  • 样本不均衡时分类效果可能不佳。

---

🧪 二、准备数据集

我们使用 sklearn 内置的 鸢尾花（Iris）数据集，该数据集是机器学习中广泛用于分类的经典样本。

1. 加载数据集

from sklearn.datasets import load_iris
import pandas as pd

iris = load_iris()
X = pd.DataFrame(iris.data, columns=iris