Python数据挖掘入门与实践 第三章 用决策树预测获胜球队（二） 随机森林(RandomForest)

紧接上文，我们来看一下，决策树在训练数据量很大的情况下，能否得到有效的分类模型。我们将会为决策树添加球队，以检测它是否能整合新增的信息。
虽然决策树能够处理特征值为类别型的数据，但scikit-learn库所实现的决策树算法要求先对这类特征进行处理。用LabelEncoder转换器就能把字符串类型的球队名转化为整型。代码如下：

from sklearn.preprocessing import LabelEncoder
encoding = LabelEncoder()
encoding.fit(dataset["Home Team"].values) 
##将主场球队名称转化为整型：
home_teams = encoding.transform(dataset["Home Team"].values) 
##将客场球队名称转化为整型：
visitor_teams = encoding.transform(dataset["Visitor Team"].values)
## 将主客队的2个数据进行上下叠加后转置，这样就能获得一个编号代表对阵双方的2列数据了
X_teams = np.vstack([home_teams, visitor_teams]).T
##我们把X_teams作为特征值，进行预测:
clf = DecisionTreeClassifier(random_state=14)
scores = cross_val_score(clf, X_teams, y_true,scoring='accuracy')
print("Accuracy: {0:.1f}%".format