درختان تصمیم یک روش یادگیری ماشین محبوب است که برای طبقه بندی و وظایف رگرسیون استفاده می شود، آنها به راحتی تفسیر می شوند و می توانند هر دو داده عددی و کاتوریک را اداره کنند.در پایتون، کتابخانه علمی کیت-learn یک راه ساده برای پیاده سازی درختان تصمیم گیری فراهم می کند.

شروع کار با Scikit-learn

قبل از پیاده سازی یک درخت تصمیم، اطمینان حاصل کنید که سیکی-یادتان نصب شده است.شما می توانید آن را با استفاده از pip نصب کنید:

[در این باره]

واردات کتابخانه های ضروری

با وارد کردن کتابخانه های مورد نیاز شروع کنید:

[[ویرایش]

[[ویرایش]

[FLT3]

[[ویرایش]

بارگذاری و آماده سازی داده ها

برای این مثال، ما از مجموعه داده های آیریس، کلاسیک در یادگیری ماشین استفاده خواهیم کرد:

[[ویرایش]

[[ویرایش]

[FLT7]

سپس داده ها را به مجموعه های آموزشی و تست تقسیم کنید:

[در این میان]

آموزش درخت تصمیم

یک نمونه از کلاسیفتر ایجاد کنید و آن را به داده های آموزشی مناسب کنید:

[[ویرایش]

[FLT 10 ]

ارزیابی مدل

پیش بینی ها را در مورد تنظیمات تست و ارزیابی دقت انجام دهید:

[[ویرایش]

[در این میان]

دقت را چاپ کنید:

[[ویرایش]

تجسم درخت تصمیم

برای تجسم درخت تصمیم گیری، از تابع صادرات graphviz استفاده کنید:

نصب گرافشو در صورت لزوم:

[FLT14]

سپس تصویرسازی و تصویرسازی را ایجاد و نمایش دهید:

[در این میان]

[FLT16]

[در برابر ] 17[[[[[[ویرایش]

[در این میان]

تجسم را در محیط خود باز کنید تا قوانین تصمیم گیری را ببینید.

نتیجه گیری

پیاده سازی درختان تصمیم گیری در پایتون با سیکی-یادگیری ساده و موثر است.آنها برای درک اهمیت ویژگی و پیش بینی شفاف مفید هستند. آزمایش با پارامترهای مختلف و مجموعه داده ها برای تعمیق درک شما از این الگوریتم همه کاره.