决策树，随机森林和极限森林算法

最新推荐文章于 2025-08-29 21:19:44 发布

原创

最新推荐文章于 2025-08-29 21:19:44 发布 · 423 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#决策树 #算法 #机器学习

本文通过Python的sklearn库实现决策树、随机森林和极限森林的分类模型，并进行交叉验证。首先，使用iris数据集，将数据分为训练集和测试集。接着，分别训练决策树、随机森林和极限森林模型，并计算它们在测试集上的得分。最后，通过交叉验证进一步评估模型的性能，展示了不同模型的匹配率。

决策树：https://www.cnblogs.com/molieren/articles/10664954.html

from sklearn import datasets
from sklearn.model_selection import train_test_split,cross_val_score
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier,ExtraTreesClassifier
import random

if __name__ == '__main__':
    datas = datasets.load_iris()
    #打散数据：x_train,80%训练的data x_test 20%测试的data ,y_train 80%训练的target,y_test 20%测试的target
    x_train,x_test,y_train,y_test = train_test_split(datas.data, datas.target,test_size=0.2, random_state=6)

    #决策树分类器
    model = DecisionTreeClassifier(criterion="entropy").fit(x_train,y_train)
    #用80%的数据训练得出模型，然后用20%去预测，验证模型是否正确