python机器学习04:决策树与随机森林算法

最新推荐文章于 2025-05-01 13:30:22 发布

曾牛

最新推荐文章于 2025-05-01 13:30:22 发布

阅读量460

点赞数

CC 4.0 BY-SA版权

分类专栏：深入浅出python机器学习

本文链接：https://blog.youkuaiyun.com/qq_28286027/article/details/93711368

深入浅出python机器学习专栏收录该内容

28 篇文章 ¥9.90 ¥99.00

订阅专栏

本文深入探讨了Python中的决策树和随机森林算法。首先介绍了决策树的基本原理、构建过程及工作流程，接着讲解了随机森林的概念、参数设置（如bootstrap、max_features、n_estimators等）及其优势与不足。最后通过一个实例展示了如何利用随机森林预测相亲对象的收入，以决定是否进一步发展。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.决策树

1.决策树的基本原理：

决策树是一种在分类与回归中都有着非常广泛应用的算法，它的原理是通过一系列问题进行if/else的推导，最终实现决策。

2.决策树的构建：

#导入numpy
import numpy as np
#导入画图工具
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap
#导入tree模型和和数据集加载工具
from sklearn import tree,datasets
#导入数据集拆分工具
from sklearn.model_selection import train_test_split
wine = datasets.load_wine()
#只选取数据集的前两个特征
X,y = wine.data[:,:2],wine.target
#将数据集拆分成训练集和测试集
X_train,X_test,y_train,y_test = train_test_split(X,y)
#设定决策树分类器最大深度为1
clf = tree.DecisionTreeClassifier(max_depth=1)
#拟合训练数据集
clf.fit(X_train,y_train)
#定义图像中分区的颜色和散点的颜色
cmap_light = ListedColormap(['#FFAAAA','#AAFFAA','#AAAAFF'])
cmap_bold = ListedColormap(['#FF0000','#00FF00','#0000FF'])
#分别用

了解本专栏