Durchführungsentscheidungsbäume in Python mit Scikit-Learning

Entscheidungsbäume sind eine beliebte Methode des maschinellen Lernens, die für Klassifikations- und Regressionsaufgaben verwendet wird. Sie sind leicht zu interpretieren und können sowohl numerische als auch kategorische Daten verarbeiten. In Python bietet die scikit-learn-Bibliothek eine einfache Möglichkeit, Entscheidungsbäume zu implementieren.

Erste Schritte mit Scikit-Learning

Bevor Sie einen Entscheidungsbaum implementieren, stellen Sie sicher, dass Sie scikit-learn installiert haben.

Importieren notwendiger Bibliotheken

Beginnen Sie mit dem Import der erforderlichen Bibliotheken:

Laden und Vorbereiten von Daten

In diesem Beispiel verwenden wir den Iris-Datensatz, einen Klassiker im maschinellen Lernen:

Als nächstes teilen Sie die Daten in Trainings- und Testsätze auf:

Training des Entscheidungsbaums

Erstellen Sie eine Instanz des Klassifikators und passen Sie sie an die Trainingsdaten an:

Bewertung des Modells

Machen Sie Vorhersagen für das Testset und bewerten Sie die Genauigkeit:

Drucken Sie die Genauigkeit:

Visualisierung des Entscheidungsbaums

Um den Entscheidungsbaum zu visualisieren, verwenden Sie die Funktion export graphviz:

Installieren Sie graphviz, wenn nötig:

Generieren und Anzeigen der Visualisierung:

Öffnen Sie die Visualisierung in Ihrer Umgebung, um die Entscheidungsregeln zu sehen.

Schlussfolgerung

Die Implementierung von Entscheidungsbäumen in Python mit scikit-learn ist einfach und effektiv. Sie sind nützlich, um die Bedeutung von Funktionen zu verstehen und transparente Vorhersagen zu machen. Experimentieren Sie mit verschiedenen Parametern und Datensätzen, um Ihr Verständnis dieses vielseitigen Algorithmus zu vertiefen.