Рішення дерев є популярним методом машинного навчання, що використовується для класифікації та регресіяних завдань. Вони легко інтерпретуються і можуть обробляти як чисельні, так і категоричні дані. На Python бібліотека scikit-learn забезпечує прямий шлях до реалізації дерев рішень.

Початок роботи з Scikit-learn

Перед тим як здійснити рішення дерево, забезпечте вам встановлену шкури. Ви можете встановити її за допомогою ip:

]

Імпортування Необхідних лібрацій

Почати імпортувати потрібні бібліотеки:

]

]]

]]

]]

Завантаження та підготовка даних

Наприклад, ми використовуємо ірисовий набір даних, класичний в машинному навчанні:

]]

]]

]]

Далі розщеплення даних на навчально-випробувальні набори:

]]

Навчання Дерева рішення

Створіть екземпляр класифікатора і підіймайте його до даних про тренінги:

]

]

Оцінювання моделі

Зробіть прогнози на тест-сеті і оцінюйте точність:

]]

]

Друкувати точність:

]

Візуалізація Дерева рішення

Щоб візуалізувати дерево рішення, скористайтеся функцією експорту graphviz:

Встановити графвізу, якщо це необхідно:

]

Потім генеруйте і відобразіть візуалізацію:

]

]

]

]

Відкрийте візуалізацію в середовищі, щоб побачити правила прийняття рішень.

Висновок

Впровадження рішень на Python з шкірками-шкірою є прямопередня і ефективна. Вони корисні для розуміння важливості і прийняття прозорих прогнозів. Експеримент з різними параметрами і даними, щоб поглиблення розуміння цього універсального алгоритму.