使用决策树的方法对鸢尾花卉Iris数据集进行分类

最新推荐文章于 2024-04-17 15:13:27 发布

就这个feel 倍～～～～

最新推荐文章于 2024-04-17 15:13:27 发布

阅读量2.3k

点赞数 14

文章标签：决策树分类算法

本文链接：https://blog.youkuaiyun.com/weixin_44959415/article/details/137026296

版权

文章介绍了决策树算法在监督学习中的应用，以ID3为例，通过鸢尾花数据集展示了如何构建决策树并计算准确性。通过调整min_samples_leaf参数控制决策树的深度，最后通过可视化展示不同参数下的决策树结构。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

决策树

决策树是一种常用的监督学习算法，用于分类和回归任务。它通过树形结构来表示决策过程，其中每个内部节点表示一个特征属性上的判断条件，每个分支代表某个特征属性在某个值域上的输出，而每个叶节点则代表一个类别标签（对于分类树）或具体的数值（对于回归树）。

实验代码

1、导入相关库

import pandas as pd
import numpy as np
from sklearn import tree
from sklearn.metrics import accuracy_score
import matplotlib as mpl
from matplotlib import pyplot as plt

2、显示部分数据集信息

data = pd.read_csv('./iris_data.csv')
data.head()
print(data.head())
X = data.drop(['target', 'label'], axis=1)
y = data.loc[:, 'label']
print(X.shape, y.shape)