Τα δέντρα αποφάσεων είναι μια δημοφιλής μέθοδος εκμάθησης μηχανών που χρησιμοποιείται για εργασίες ταξινόμησης και παλινδρόμησης. Είναι εύκολο να ερμηνευτούν και μπορούν να χειριστούν τόσο αριθμητικά όσο και κατηγοριακά δεδομένα.

Ξεκινώντας με το Scikit-learn

Πριν την εφαρμογή μιας απόφασης δέντρο, βεβαιωθείτε ότι έχετε scikit-learn εγκατασταθεί. Μπορείτε να το εγκαταστήσετε χρησιμοποιώντας pip:

Εισαγωγή Αναγκαίων Βιβλιοθηκών

Ξεκινήστε με την εισαγωγή των απαιτούμενων βιβλιοθηκών:

Φόρτωση και προετοιμασία δεδομένων

Για αυτό το παράδειγμα, θα χρησιμοποιήσουμε το σύνολο δεδομένων Iris, ένα κλασικό στην μηχανική μάθηση:

Στη συνέχεια, χωρίστε τα δεδομένα σε σύνολα εκπαίδευσης και δοκιμών:

Εκπαίδευση του Δέντρου Αποφάσεως

Δημιουργήστε μια περίπτωση του καταταξινόμητου και να ταιριάζει με τα δεδομένα κατάρτισης:

Αξιολόγηση του Μοντέλου

Κάντε προβλέψεις στο σύνολο δοκιμών και αξιολογήστε την ακρίβεια:

Εκτύπωση της ακρίβειας:

Οραματιζόμενο το Δέντρο της Αποφάσεως

Για να απεικονίσετε το δέντρο απόφασης, χρησιμοποιήστε τη λειτουργία export grapviz:

Εγκατάσταση γραφικού περιβάλλοντος εάν απαιτείται:

Στη συνέχεια, να δημιουργήσετε και να εμφανίσετε την απεικόνιση:

Ανοίξτε την απεικόνιση στο περιβάλλον σας για να δείτε τους κανόνες της απόφασης.

Συμπέρασμα

Τα δέντρα αποφάσεων εφαρμογής σε Python με scikit-learn είναι άμεσα και αποτελεσματικά. Είναι χρήσιμα για την κατανόηση της σημασίας χαρακτηριστικό και τη λήψη διαφανών προβλέψεων. Πειράματα με διαφορετικές παραμέτρους και σύνολα δεδομένων για να εμβαθύνει την κατανόησή σας για αυτόν τον ευέλικτο αλγόριθμο.