机器学习之决策树算法（三）分类决策树调库实现

最新推荐文章于 2022-03-21 10:26:22 发布

繁华三千东流水

最新推荐文章于 2022-03-21 10:26:22 发布

阅读量1.1k

点赞数 2

分类专栏：机器学习算法思想及代码实现文章标签：机器学习决策树算法分类决策树

本文链接：https://blog.csdn.net/qq872890060/article/details/97166955

版权

本文介绍了如何使用代码实现分类决策树，并展示了可视化效果。决策树适用于多维度分类问题，逻辑清晰易解释，通过剪枝提高泛化能力，对异常点容忍度高，具备良好健壮性。

摘要由CSDN通过智能技术生成

代码如下：

'''
    决策树之分类决策树
'''
import numpy as np
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_breast_cancer
from matplotlib import pyplot as plt
# 设置中文字体和负号显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 读取数据
data = load_breast_cancer()
X = data['data']
# X = np.c_[X]
y = data['target']
# y = np.c_[y]

# 创建模型
model = DecisionTreeClassifier(max_depth=5)
# 跑模型
model.fit(X,y)
# 获得预测数据
y_h = model.predict(X)
# y_h = np.c_[y_h]
# print(y_h)
# 输出准确率
ss = model.score(X,y)
print('准确率是：',ss)
# 画图部分
plt.title('分布图')
# 画训练集
plt.scatter(X[y==0,0],X[y==0,1],c='r',s=150)
plt.scatter(X[y==1,0],X[y==1,1],c='g',s=150)
# 画测试集
plt.scatter(X[y_h==0,0],X[y_h==0,1],c='