数据挖掘入门系列教程（四）之基于scikit-lean实现决策树

　　数据挖掘入门系列教程（四）之基于scikit-lean决策树处理Iris
　　
　　加载数据集
　　
　　数据特征
　　
　　训练
　　
　　随机森林
　　
　　调参工程师
　　
　　结尾
　　
　　数据挖掘入门系列教程（四）之基于scikit-lean决策树处理Iris
　　
　　在上一篇博客，我们介绍了决策树的一些知识。如果对决策树还不是很了解的话，建议先阅读上一篇博客，在来学习这一篇。
　　
　　本次实验基于scikit-learn中的Iris数据。说了好久的Iris，从OneR到决策树，那么Iris到底长啥样呢？
　　
　　加载数据集
　　
　　首先我们还是需要先加载数据集，数据集来自scikit自带的iris数据集，数据集的内容可以参考以前的博客，这里就不在赘述。
　　
　　首先让我们从scikit-learn中加载数据集。
　　
　　from sklearn.datasets import load_iris
　　
　　dataset = load_iris()
　　
　　data = dataset.data
　　
　　target = dataset.target
　　
　　然后我们再使用pandas将数据进行格式化以下，添加Iris的属性到数据集中。
　　
　　import numpy as np
　　
　　import pandas as pd
　　
　　data = pd.DataFrame(data,columns=["sepal_length","sepal_width","petal_length","petal_width"])
　　
　　data["class"] = target
　　
　　data的数据如下所示：
　　
　　class代表类别。其他的就是Iris的属性了。
　　
　　数据特征
　　
　　这里我们主要是用画图来看一看Iris数据集的特征。本来以为画图就matpotlib就行了，但是没想到有seaborn这个好使用的库，来自B站up主的提示。使用的库如下：
　　
　　matplotlib
　　
　　seaborn
　　
　　首先我们画散点图：
　　
　　import matplotlib.pyplot as plt
　　
　　import seaborn as sb
　　
　　# data.dropna()去除里面的none元素
　　
　　sb.pairplot(data