利用决策树算法对sklearn中红酒数据集进行可视化分类

'''决策树是一种在分类和回归中都广泛应用的算法，它的原理是通过对一系列问题进行if/else进行推导，最终实现决策'''
'''决策树最大的优势就是可以轻易的将模型可视化，而且决策树算法对每个样本的特征进行单独处理，因此不需要对数据进行转换'''

def j1():
    import numpy as np
    import matplotlib.pyplot as plt
    from matplotlib.colors import  ListedColormap
    #导入树的模型和数据加载工具
    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=wine.data[:,:2]
    y=wine.target
    #将数据集拆分为训练集和测试集
    x_train,x_test,y_train,y_test=train_test_split(x,y)
    lc=tree.DecisionTreeClassifier(max_depth=1)#决策树的深度，就是我们所体温的问题
    lc.fit(x_train,y_train)
    #自己定义图像中的分区的颜色和散点的颜色
    camp_light=ListedColormap(['#FFAAAA','#AAFFAA','#AAAAFF'])
    camp=ListedColormap(['#FF0000','#00FF00','#0000FF'])
    #分别用样本的两个特征值去创建图像的横轴和纵轴
    x_min, x_max = x_train[:, 0].min() - 1, x_train[:, 0].max() + 1
    y_min, y_max = x_train[:, 1].min() - 1, x_train[:, 1].max() + 1
    xx,yy=np.meshgrid(np.arange(x_min,x_max,.02),np.arange(y_min,y_max,.02))
    z=lc.predict(np.c_[xx.ravel(),yy.ravel()])
    #给每个分类样本分配不一样的颜色
    z=z.reshape(xx.shape)
    plt.figure()
    plt.pcolormesh(xx,yy,z,cmap=camp_light)
    #用散点把样本表示出来
    plt.scatter(x[:,0],x[:,1],c=y,cmap=camp,edgecolors='k',s=20)
    plt.xlim()
    plt.ylim()
    plt.title('Classifier:(max_depth=1)')#深度为1
    plt.show()
    '''改变深度值为3试试新的分类效果'''
    lc3 = tree.DecisionTreeClassifier(max_depth=3)  # 决策树的深度，就是我们所体温的问题
    lc3.fit(x_train, y_train)
    # 自己定义图像中的分区的颜色和散点的颜色
    cmap_light = ListedColormap(['#FFAAAA', '#AAFFAA', '#AAAAFF'])
    cmap = ListedColormap(['#FF0000', '#00FF00', '#0000FF'])
    # 分别用样本的两个特征值去创建图像的横轴和纵轴
    x_min, x_max = x_train[:, 0].min() - 1, x_train[:, 0].max() + 1
    y_min, y_max = x_train[:, 1].min() - 1, x_train[:, 1].max() + 1
    xx, yy = np.meshgrid(np.arange(x_min, x_max, .02), np.arange(y_min, y_max, .02))
    z = lc3.predict(np.c_[xx.ravel(), yy.ravel()])
    # 给每个分类样本分配不一样的颜色
    z = z.reshape(xx.shape)
    plt.figure()
    plt.pcolormesh(xx, yy, z, cmap=cmap_light)
    # 用散点把样本表示出来
    plt.scatter(x[:, 0], x[:, 1], c=y, cmap=cmap, edgecolors='k', s=20)
    plt.xlim()
    plt.ylim()
    plt.title('Classifier:(max_depth=3)')  # 深度为1
    plt.show()
    '''改变深度值为5试试新的分类效果'''
    lc5 = tree.DecisionTreeClassifier(max_depth=5)  # 决策树的深度，就是我们所体温的问题
    lc5.fit(x_train, y_train)
    # 自己定义图像中的分区的颜色和散点的颜色
    cmap_light = ListedColormap(['#FFAAAA', '#AAFFAA', '#AAAAFF'])
    cmap = ListedColormap(['#FF0000', '#00FF00', '#0000FF'])
    # 分别用样本的两个特征值去创建图像的横轴和纵轴
    x_min, x_max = x_train[:, 0].min() - 1, x_train[:, 0].max() + 1
    y_min, y_max = x_train[:, 1].min() - 1, x_train[:, 1].max() + 1
    xx, yy = np.meshgrid(np.arange(x_min, x_max, .02), np.arange(y_min, y_max, .02))
    z = lc5.predict(np.c_[xx.ravel(), yy.ravel()])
    # 给每个分类样本分配不一样的颜色
    z = z.reshape(xx.shape)
    plt.figure()
    plt.pcolormesh(xx, yy, z, cmap=cmap_light)
    # 用散点把样本表示出来
    plt.scatter(x[:, 0], x[:, 1], c=y, cmap=cmap, edgecolors='k', s=20)
    plt.xlim()
    plt.ylim()
    plt.title('Classifier:(max_depth=5)')  # 深度为1
    plt.show()
    '''为了更清晰的看到决策树是如何工作的，我们来展示'''
    import graphviz
    #导入决策树中输出graphviz的接口
    from sklearn.tree import export_graphviz
    export_graphviz(lc5,out_file='wine.dot',class_names=wine.target_names,feature_names=wine.feature_names[:2],impurity=False,filled=True)
    #打开文件，需要安装插件
    with open('wine.dot') as file:
        ggg=file.read()
    graphviz.Source(ggg)
j1()

可视化结果如下：