2020-11-16

原创于 2020-11-16 10:05:03 发布 · 116 阅读

CC 4.0 BY-SA版权

文章标签：

该博客介绍了如何使用Python的sklearn库构建决策树模型。首先，通过导入必要的库，如`tree`、`load_wine`和`train_test_split`，然后加载wine数据集并进行数据集的划分。接着，实例化`DecisionTreeClassifier`，设置熵为判断标准。再用训练集训练模型，并在测试集上评估模型的性能，通过`score`方法获取准确率。

决策树

用sklearn写程序分为三步建立模型：

1.实例化，建立模型的对象，也就是用什么类

2.通过模型接口训练模型，也就是放入训练集训练

3.通过模型接口来提取信息

程序：

#1.引包
from sklearn import tree
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split
# 2 导入数据集
wine = load_wine()
#3 分割数据集
Xtrain,Xtest,Ytrain,Ytest = train_test_split(wine.data,wine.target,test_size=0.3)
#4 实例化
clf = tree.DecisionTreeClassifier(criterion="entropy")# 用信息增益作为判断
#5 训练数据
clf =clf.fit(Xtrain,Ytrain)
#6 提取信息
score = clf.score(Xtest,Ytest)