人工智能 chapter04 决策树

一.可以做什么

也可用于分类
在这里插入图片描述
二:原理(找到符合某个条件来进行分类 就是一个x furuter)
在这里插入图片描述

鸢尾花中petal length和petal width两个x,可以横着一次 竖着一次
在这里插入图片描述

防止过拟合:
在这里插入图片描述
优缺点
在这里插入图片描述

三。代码

from sklearn.tree import DecisionTreeClassifier

def iris_predict(train_sample, train_label, test_sample):
    '''
    实现功能:1.训练模型 2.预测
    :param train_sample: 包含多条训练样本的样本集,类型为ndarray
    :param train_label: 包含多条训练样本标签的标签集,类型为ndarray
    :param test_sample: 包含多条测试样本的测试集,类型为ndarry
    :return: test_sample对应的预测标签
    '''
    
    # ************* Begin ************#
    tree_clf = DecisionTreeClassifier(splitter="random") 
    tree_clf = tree_clf.fit(train_sample, train_label)
    y_pred = tree_clf.predict(test_sample) 
    return y_pred;
    # ************* End **************#

可以通过调参数:https://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html#sklearn.tree.DecisionTreeClassifier

  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,我了解了您的问题。下面是关于 Python 中使用 sklearn 实现决策树及模型评估的方法: 首先,我们需要导入需要的库和数据集。在这里我们使用 sklearn 内置的鸢尾花数据集作为例子: ```python from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 导入数据集 iris = load_iris() X = iris.data y = iris.target ``` 接下来,我们需要将数据集拆分为训练集和测试集,以便我们能够评估模型的性能: ```python # 拆分数据集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) ``` 然后,我们可以创建一个决策树分类器,并使用训练数据进行拟合: ```python # 创建决策树分类器 clf = DecisionTreeClassifier() # 使用训练数据进行拟合 clf.fit(X_train, y_train) ``` 现在,我们可以使用测试数据集来评估模型的性能。在本例中,我们使用了准确率作为评估指标: ```python # 使用测试数据集进行预测 y_pred = clf.predict(X_test) # 计算准确率 accuracy = accuracy_score(y_test, y_pred) print("Accuracy:", accuracy) ``` 最后,我们可以使用训练好的模型来进行预测,以便我们可以将其用于实际应用中: ```python # 使用模型进行预测 new_data = [[5.0, 3.5, 1.3, 0.2]] prediction = clf.predict(new_data) print("Prediction:", prediction) ``` 希望这个例子对您有所帮助。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值