使用的数据集.训练决策树来进行分类任务

文章目录（Table of）

介绍

本文是对决策树的介绍。 我们使用决策树来解决分类问题。 同时，我们将决策树的结果可视化，以查看其分类过程。

参考

主要参考内容来自官方教程：1.10。 树木

这也是一个可视化的博客，最终保存和展示的方式会有所不同。 和树木

模型训练和可视化导入数据集

首先我们导入我们需要的库。

。

接下来我们可以导入数据集

iris=.()df=pd.(data=iris.data,=iris.)y=iris.

我们简单看一下所使用的数据集。

训练决策树模型

接下来，我们训练决策树模型，为了最终的显示效果，我们控制决策树的深度。

.#训练决策树模型（控制决策树的深度，这里控制的最大深度为2）dtree=er(=2)dtree.fit(df,y)"""er(=None,='gini ',=2 ,=无,=无,e=0.0,=无,=1,=2,叶=0.0,=假,=无,='最佳'）"""

国内有关决策树的参考文档：.tree.er

模型评估

关于模型的评估，可以参考以下链接：模型评估指标讲解与实践——混淆矩阵讲解

*

我们来评估一下上面的决策树（我直接在训练集上看准确率，这里做个演示，实际使用中需要划分测试集）。

#模型评估 y_pre=dtree.(df)(=y,=y_pre,=[0,1,2])

最终模型的准确率如下所示。 可以看到，即使深度不是很深，精度也是可以接受的。

结果可视化

接下来我们将可视化决策树的结果。 我们会用。

。

需要将其添加到路径中。 具体内容请参见下面部分问题中的内容。

.["路径"]+=os.+'C:/(x86)/.38/bin'

对于生成的图像，我们可以设置每种类型标签的名称以及其他设置。

=(dtree,=None,=iris.,=iris.,=True,=True,=True)#可以设置图像显示图=.()

最后，您只需保存图像即可。

图.(="iris",='./',='pdf')

图片保存的参数说明可以参考文档：

这是文档：稳定版本文档

最终可视化效果如下图所示：

简单解释一下上图，每个叶子节点都有class，表示按照上面的规则它会被分类到哪个类别。 同时，每个节点都有class，表示该节点中每个类别的样本数量。 多少？ 比如上面的例子，一共有3类样本，所以 中就有3个数字，分别是这3类样本的数量。

一些问题请确保它们在您的 ' PATH 中

详细错误信息：

: 到 ['dot', '-Tpdf', '-O', 'test']，确保它们位于您的 ' 路径上

可视化的时候就会出现上面的错误。 我们可以用下面的方法来解决。

.["路径"]+=os.+'C:/(x86)/.38/bin'

只需再次运行即可。

参考链接：《2.38之后：确保它们在你的路径上》