决策树的value是什么意思_从零开始的机器学习实用指南(六)：决策树-CSDN博客

类似SVM，决策树也是非常多功能的机器学习算法，可以分类，回归，甚至可以完成多输出的任务，能够拟合复杂的数据集（比如第二章的房价预测例子，虽然是过拟合了=。=）

决策树也是很多集成学习的组件，比如随机森林和梯度提升树等等

决策树的训练和可视化

还是以熟悉的iris数据集为例：

首先训练一个决策树模型，然后做一些可视化，使用export_graphviz()方法，通过生成一个叫做iris_tree.dot。

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
iris = load_iris()
X = iris.data[:, 2:] # petal length and width 
y = iris.target
tree_clf = DecisionTreeClassifier(max_depth=2)
tree_clf.fit(X, y)

from sklearn.tree import export_graphviz
export_graphviz(
            tree_clf,
            out_file=image_path("iris_tree.dot"),
            feature_names=iris.feature_names[2:],
            class_names=iris.target_names,
            rounded=True,
            filled=True
        )

可以利用graphviz package（http://www.graphviz.org/）中的dot命令行，将.dot文件转换成 PDF 或 PNG 等多种数据格式。

$ dot -Tpng iris_tree.dot -o iris_tree.png

我们将从这个图开始，简单分析决策树是怎么样工作的<