Sklearn分类树在合成数集上的表现

版权声明：本文为博主原创文章，未经博主允许不得转载。

我的开发环境是 Jupyter lab，所用的库和版本大家参考：

Python 3.7.1（你的版本至少要3.4以上）

Scikit-learn 0.20.0 （你的版本至少要0.20）

Graphviz 0.8.4 (没有画不出决策树哦，安装代码conda install python-graphviz）

Numpy 1.15.3, Pandas 0.23.4, Matplotlib 3.0.1, SciPy 1.1.0）

在这里，我们使用SKlearn构建三种不同分布的数据，然后在这些数据集上测试一下决策树的效果，让大家更好地理解决策树。下图就是三种表现结果，后面会详细介绍实现过程~

1. 导入需要的库

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import make_moons, make_circles, make_classification
from sklearn.tree import DecisionTreeClassifier

2. 生成三种数据集

我们先从sklearn自带的数据库中生成三种类型的数据集：1）月亮型数据，2）环形数据，3）二分型数据

#make_classification库生成随机的二分型数据
X, y = make_classification(n_samples=100, #生成100个样本
                           n_features=2,  #包含2个特征，即生成二维数据
                           n_redundant=0, #添加冗余特征0个
                           n_informative=2