机器学习第一个练手程序 基于决策树的iris数据预测

最新推荐文章于 2025-06-01 14:11:00 发布
最新推荐文章于 2025-06-01 14:11:00 发布
阅读量4.4k 收藏 7
点赞数 1
CC 4.0 BY-SA版权
分类专栏： python 机器学习 文章标签： 机器学习 python 可视化
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/baidu_15434583/article/details/52999449
本文介绍了一个使用决策树对Iris数据集进行分类的机器学习实践。首先，解释了Iris数据集的特性，包括4个特征和3个类别。接着，通过Python的sklearn库加载数据，并训练决策树分类器。最后，实现新数据的预测和决策树的可视化。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

决策树分类器易于可视化并且易于理解。

iris数据集http://archive.ics.uci.edu/ml/datasets/Iris

这个数据集是非常典型的分类人工数据集，有3类花，每个数据有4个特征（sepal lenght，sepal width，petal length，petal width），每一类花有50个，所以这个数据集有150个数据。

我们的目标是：

（1）导入数据集

（2）训练一个分类器

（3）预测新数据的标签

（4）可视化决策树

python 的sklearn模块里可以直接导入iris数据集：

<span style="font-family: Arial, Helvetica, sans-serif; background-color: rgb(255, 255, 255);">
</span>
<span style="font-family: Arial, Helvetica, sans-serif; background-color: rgb(255, 255, 255);">from sklearn.datasets import  load_iris</span>

iris=load_iris()

print iris.feature_names       #打印特征

print iris.target_names             

最低0.47元/天 解锁文章

200万优质内容无限畅学
数据挖掘算法和实践（二）：决策树（iris鸢尾花数据集）
叶子叶来
04-26 1万+
决策树是直观运用概率分析的树形分类器，是很常用的分类方法，属于监管学习，决策树分类过程是从根节点开始，根据特征属性值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果。 比如说买瓜的时候，根据瓜的某些特征属性直观判断瓜的好坏，下图依次根据纹理清晰度、根蒂、色泽、触感4个进行分类，生活中我们会将某个最重要或最明显的分类属性放在第一位，然后是次重要属性，这很符合我们平常的判断思维，这就...
机器学习之决策树及随机森林（附案例代码）
JustinMars的博客
11-28 1416
决策树是单个模型，具有易解释性和理解性，但容易过拟合。 随机森林是多个决策树的集成，引入了随机性和Bagging思想，通常具有更好的泛化能力和鲁棒性，适用于各种数据类型和复杂度不同的问题。
Python学习笔记9——基于iris数据集的决策树分类算法实战
制了个仗的博客
06-03 7364
本文以iris数据集为例，利用Python的决策树分类算法对鸢尾花进行分类实战，主要环节是数据预处理、模型训练及效果评估。预处理主要是对数据集进行拆分，得到训练数据和测试数据模型训练是利用拆分得到的训练集来训练模型；效果评估主要用到了准确率、精确率、召回率、F1值、混淆矩阵的指标，还用到了学习曲线进行过拟合、欠拟合评估，以及用到ROC曲线结合AUC值分析的方法。为了便于新手入门，大部分过程都写得比较细，希望能够对读者在学习和应用机器学习算法时有所帮助，若有不对的地方也请评论指正~
使用决策树算法对鸢尾花数据集进行分类
最新发布
weixin_42611177的博客
06-01 629
在数据分析和机器学习领域中，决策树是一种常用的分类和回归方法。它通过学习简单的决策规则来预测目标变量。本章将为读者提供决策树算法的基础知识，以便更好地理解后续章节的内容。
鸢尾花（Iris）数据集决策树（python 文件读取，决策树，误差计算）
i道i的博客
04-05 3968
一、数据集（150) 具体数据如下（如果不能运行，尝试在末尾加回车） 5.1 3.5 1.4 0.2 1 4.9 3 1.4 0.2 1 4.7 3.2 1.3 0.2 1 4.6 3.1 1.5 0.2 1 5 3.6 1.4 0.2 1 5.4 3.9 1.7 0.4 1 4.6 3.4 1.4 0.3 1 5 3.4 1.5 0.2 1 4.4 2.9 1.4 0.2 1 4.9 3.1 1.5 0.1 1 5.4 3.7 1.5 0.2 1 4.8 3.4 1.6 0.2 1 4.8 3 1.
Iris 决策树实现
weinanzia的博客
11-11 526
print('该测试集的测试正确率为：' + f"{accuracy:.2f}%")plt.show() # 显示图形。# 将数据分为训练集和测试集。# 将预测结果转换为整数类型。# 加载 Iris 数据集。# 创建决策树分类器并训练。
python实战（一）——iris鸢尾花数据集分类
热门推荐
学习与分享人工智能技术
10-20 1万+
本文使用了iris鸢尾花数据集作为示例，进行了python机器学习建模任务的建模，并给出了各步骤的详细介绍。
《机器学习实战：基于Scikit-Learn、Keras和TensorFlow第2版》-学习笔记（6）：决策树
Morganfs的博客
05-05 1837
· Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition, by Aurélien Géron (O’Reilly). Copyright 2019 Aurélien Géron, 978-1-492-03264-9. · 环境：Anaconda（Python 3.8） + Pycharm · 学习时间：2022.05.04~2022.05.05 第六章 决策树
【机器学习】手动实现分类决策树 （不用sk-learn）
qq_39001444的博客
01-11 1221
【机器学习】手动实现分类决策树 （不用sk-learn）
SPSS用CHAID决策树、逻辑回归预测电信用户产品使用流失数据
拓端研究室TRL
06-18 1171
全文链接：https://tecdat.cn/?p=36513在电信行业中，用户产品使用的流失情况对于企业而言是一个关键的运营指标。理解用户为何流失以及预测其流失趋势，对于提升用户满意度、减少流失率及制定有效的营销策略至关重要（点击文末“阅读原文”获取完整代码数据）。本研究旨在通过SPSS软件，利用CHAID（Chi-squared Automatic Interaction Detector）决...
机器学习与深度学习——通过决策树算法分类鸢尾花数据集iris求出错误率画出决策树并进行可视化
未来社会二十年发展的核心技术趋势由ABCD四个字母组成，分别是AI（人工智能）、BlockChain（区块链）、Cloud（云）、和Data（大数据）每一次进步都有新的认知和感触
05-01 3234
决策树是一种常用的机器学习算法，它可以对数据集进行分类或回归分析。决策树的结构类似于一棵树，由节点和边组成。每个节点代表一个特征或属性，每个边代表一个判断或决策。从根节点开始，根据特征的不同取值，不断向下遍历决策树，直到达到叶子节点，即最终的分类或回归结果。
机器学习笔记 二十：在Iris数据集上实现决策树的可视化
amyniez的博客，欢迎交流讨论
12-21 1371
决策树是一种用于机器学习的监督算法。它使用一个二进制树形图（每个节点有两个孩子）为每个数据样本分配一个目标值，目标值呈现在树叶中。为了到达树叶，样本通过节点传播，从根节点开始。在每个节点中，决定它应该去哪个子孙节点。决定是根据所选样本的特征做出的。决策树学习是一个根据所选指标在每个内部树节点中寻找最佳规则的过程。这些都是老生常谈的问题了，希望大家简单了解一下即可。
【机器学习】利用决策树分类Iris鸢尾花数据集
fukase_mio的博客
12-04 2118
本文旨在实现一个基础的决策树分类模型，对鸢尾花数据集进行分类，理解并应用决策树分类模型
Python数据挖掘 # 3.分类 [实验：Iris植物分类] (OneR算法)
skysys的研究小屋
07-09 1329
0 实验环境 python 3.7.0 scikit-learn 1 准备数据集 scikit-learn内置了该数据集,故只需要安装了scikit-learn包即可。 2 导入数据 import numpy as np from sklearn.datasets import load_iris dataset = load_iris() x = dataset.data y = datas...
预测iris的品种
Lucid1024的博客
02-25 703
多分类预测。
分类算法中决策树和KNN算法讲解及对iris数据集分类实战（附源码）
showswoller的博客
01-17 2202
分类算法中决策树和KNN算法讲解及对iris数据集分类实战（附源码）
python实现机器学习之决策树
XXiaoLEI的专栏
11-02 1万+
这几天在看决策树算法，发现这算法在实际的应用中使用挺多的。所以想总结一下： 这里给出一些我觉得比较好的博客链接： http://blog.jobbole.com/86443/　通俗易懂，同时也讲了一些决策树算法：如ID3、C4.5之类的。以及建立完完整的决策树之后，为了防止过拟合而进行的剪枝的操作。 决策树算法介绍及应用：http://blog.jobbole.com/89072/　这篇博文
机器学习决策树（实战）
kankeke的博客
07-31 632
注意这里用的数据集第一行没有标签名（header指标签名）。Scikit-learn 是一个用于机器学习的库，只要文件内是csv格式，函数就能正确读取，不一定必须是csv文件。这里把前四列作为特征，第五列作为标签（且把第五列转化为整数编码）模块提供了一些常用的数据集供学习和实验使用，其中的。方法类用于加载鸢尾花数据集（Iris 数据集）。测试时要输入二维数组，每一项要包含四个特征。
Python-集合
2401_84010804的博客
04-12 257
‘王五’, 100],[‘张三’, 19],[‘李四’, 98],[‘张三’, 19],[‘王五’, 100]
Python机器学习清华出版社第三章课后习题
03-11
### 关于清华大学出版社《Python机器学习》第三章课后习题 对于清华大学出版社出版的《Python机器学习》一书中的第三章课后习题，通常这类教材会围绕监督学习算法展开讨论。具体到第三章的内容可能涉及决策树、支持向量机等分类模型的基础理论及其应用实践。 #### 决策树构建练习 书中可能会布置让读者通过给定的数据集来手动实现一个简单的决策树模型，并利用该模型完成预测任务。这不仅有助于理解如何依据特征分裂节点，还能加深对熵和信息增益概念的认识[^1]。 ```python from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier, plot_tree import matplotlib.pyplot as plt data = load_iris() clf = DecisionTreeClassifier(random_state=1234) model = clf.fit(data.data, data.target) plt.figure(figsize=(10,8)) plot_tree(model, filled=True, feature_names=data.feature_names, class_names=data.target_names) plt.show() ``` #### 支持向量机构建与调参 另一个常见的题目可能是基于线性不可分数据集训练SVM模型，在此过程中探索不同核函数的选择以及参数调整方法的影响效果。此类实验能够帮助掌握软间隔的支持向量机原理并熟悉sklearn库中对应的API接口使用方式。 ```python from sklearn.svm import SVC from sklearn.model_selection import GridSearchCV from sklearn.datasets import make_classification X, y = make_classification(n_samples=1000, n_features=20, n_informative=2, n_redundant=10, random_state=42) param_grid = {'C': [0.1, 1, 10], 'gamma': [0.001, 0.01]} grid_search = GridSearchCV(SVC(), param_grid, refit=True, verbose=2) grid_search.fit(X, y) print(grid_search.best_params_) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值