Beslutsträd är en populär maskininlärningsmetod som används för klassificering och regressionsuppgifter. De är lätta att tolka och kan hantera både numeriska och kategoriska data. I Python ger scikit-learn-biblioteket ett enkelt sätt att genomföra beslutsträd.
Komma igång med Scikit-learn
Innan du genomför ett beslutsträd, se till att du har scikit-learn installerat. Du kan installera det med hjälp av pip:
]
Importera nödvändiga bibliotek
Börja med att importera de nödvändiga biblioteken:
]
]
Ladda och förbereda data
För detta exempel använder vi Iris dataset, en klassiker i maskininlärning:
]
]
Därefter dela data i utbildning och testning:
]
Träning av beslutsträdet
Skapa ett exempel på klassificeraren och passa den till utbildningsdata:
Utvärdera modellen
Gör förutsägelser på testuppsättningen och utvärdera noggrannhet:
]
Skriv ut noggrannheten:
Visualisera beslutsträdet
För att visualisera beslutsträdet, använd funktionen export graphviz:
Installera grafviz om det behövs:
Skapa och visa visualiseringen:
]
]
Öppna visualiseringen i din miljö för att se beslutsreglerna.
Slutsats
Genomföra beslutsträd i Python med scikit-learn är enkelt och effektivt. De är användbara för att förstå funktionsvikt och göra transparenta förutsägelser. Experiment med olika parametrar och datamängder för att fördjupa din förståelse av denna mångsidiga algoritm.