标签:iris python train predict estimator test 鸢尾花 决策树
决策树API
- class sklearn.tree.DecisionTreeClassifier(criterion=’gini’, max_depth=None,random_state=None)
- 决策树分类器
- criterion:默认是’gini’系数,也可以选择信息增益的熵’entropy’
- max_depth:树的深度大小
- random_state:随机数种子
- 其中会有些超参数:max_depth:树的深度大小
#鸢尾花决策树 def decision_iris(): """ 用决策树对鸢尾花进行分类 :return: """ #获取数据集 iris = load_iris() #划分数据集 x_train,x_test,y_train,y_test=train_test_split(iris.data,iris.target,random_state=22) #决策树预估器 estimator=DecisionTreeClassifier(criterion="entropy")#criterion默认为gini系数,此处选择的为信息增益的熵 #max_depth:树深的大小,random_state:随机数种子 estimator.fit(x_train,y_train) #模型评估 y_predict=estimator.predict(x_test) print("y_predict:\n",y_predict) print("直接对比真实值和预测值:\n",y_test==y_predict) score=estimator.score(x_test,y_test) print("准确率为:\n",score) #决策树可视化 export_graphviz(estimator,out_file="iris_tree.dot")
标签:iris,python,train,predict,estimator,test,鸢尾花,决策树 来源: https://www.cnblogs.com/fengchuiguobanxia/p/15432562.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。