机器学习历程——人工智能基础与应用导论（6）（决策树——实战1——回归决策树）

1、引入所需库

# 引入所需库
import numpy as np
from sklearn.tree import DecisionTreeRegressor
from sklearn import model_selection
import matplotlib.pyplot as plt

2、产生随机的数据集的函数

creat_data函数产生的数据集是在sin(x)函数基础之上添加了若干个随机噪声产生的。x是随机在0～1之间产生的，y是sin(x)，其中y每隔5个点添加一个随机噪声。然后将数据集随机切分成训练集和测试集。指定测试集样本大小为原样本集的0.25倍。

def creat_data(n): #n为数据集容量
    np.random.seed(0)
    X = 5 * np.random.rand(n, 1)
    y = np.sin(X).ravel()
    noise_num=(int)(n/5)
    y[::5] += 3 * (0.5 - np.random.rand(noise_num)) # 每第5个样本，就在该样本的值上添加噪音
    return model_selection.train_test_split(X, y,
		test_size=0.25,random_state=1) # 拆分原始数据集为训练集和测试集，其中测试集大小为元素数据集大小的 1/4
# 返回元组：训练样本集、测试样本集、训练样本集对应的值、测试样本集对应的值

3、测试函数：

在test_DecisionTreeRegressor函数中，给出了对x上每个点的预测值(考虑到连续值有无穷多，采取的方式是[0，5]之间，步长为0.01)。

<