Beslissing bomen zijn een populaire machine learning methode gebruikt voor classificatie en regressie taken. Ze zijn gemakkelijk te interpreteren en kunnen zowel numerieke als categorische gegevens verwerken. In Python, de scikit-learn bibliotheek biedt een eenvoudige manier om beslissing bomen te implementeren.

Beginnen met Scikit-leren

Voordat u een beslissingsboom implementeert, moet u ervoor zorgen dat u scikit-learn geïnstalleerd heeft. U kunt het installeren met pip:

Importeren van noodzakelijke bibliotheken

Begin met het importeren van de vereiste bibliotheken:

Gegevens laden en voorbereiden

Voor dit voorbeeld gebruiken we de Iris dataset, een klassieker in machine learning:

Vervolgens worden de gegevens opgesplitst in trainings- en testsets:

Opleiding van de Beslissingsgroep

Maak een instantie van de classifier en pas deze aan de trainingsgegevens aan:

Evaluatie van het model

Maak voorspellingen over de testset en beoordeel de nauwkeurigheid:

Print de nauwkeurigheid:

Visualiseren van de Beslissingsboom

Om de beslissingsboom te visualiseren, gebruik de export graphviz functie:

Installeer grafiek indien nodig:

Dan, genereren en weergeven van de visualisatie:

Open de visualisatie in uw omgeving om de beslissingsregels te zien.

Conclusie

Uitvoeringsbesluit bomen in Python met scikit-learn is eenvoudig en effectief. Ze zijn nuttig voor het begrijpen van functie belang en het maken van transparante voorspellingen. Experimenteren met verschillende parameters en datasets om uw begrip van dit veelzijdige algoritme te verdiepen.