Sklearn使用实践之决策树

Sklearn库利用CART算法实现了分类决策树和回归决策树，这篇将结合具体的小例子使用实践Sklearn中DecisionTreeClassifier决策树对应的API

一、分类决策树DecisionTreeClassifier使用实践

（一）、了解数据集

sklearn官网分类决策树的API链接为 https://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html#sklearn.tree.DecisionTreeClassifier

数据集使用sklearn自带的莺尾花数据集，一共有150个数据，有三种类别，每种类别中分别有50个数据，每个数据有四个属性，分别是萼片长度，萼片宽度，花瓣长度，花瓣宽度，具体说明如下图

查看数据集具体信息：

（二）、编写加载数据集的函数

from sklearn import datasets
def load_data():
    iris=datasets.load_iris() # scikit-learn 自带的 iris 数据集
    X_iris=iris.data
    y_iris=iris.target
    return X_iris,y_iris

（三）、拆分数据集

利用分层采样将原始数据拆分成训练集和测试集，使用分层采样的原因是原始数据集的前50个类别均为0，中间50个均为1，后50个均为2，如果不采用分层采样，就不能保证数据无偏了

from sklearn.model_selection import train_test_split
def split_data