小伙伴們大家好~o(￣▽￣)ブ，今天做一下如何使用sklearn實現決策樹，首先聲明一下，我的開發環境是Jupyter lab，所用的庫和版本大家參考：

Python 3.7.1（你的版本至少要3.4以上）

Scikit-learn 0.20.0 （你的版本至少要0.20）

Graphviz 0.8.4 (沒有畫不出決策樹哦，安裝代碼conda install python-graphviz

Numpy 1.15.3, Pandas 0.23.4, Matplotlib 3.0.1, SciPy 1.1.0

用SKlearn 建立一棵決策樹

這里采用的數據集是SKlearn中的紅酒數據集。

1 導入需要的算法庫和模塊

from sklearn import tree #導入tree模塊 from sklearn.datasets import load_wine #導入紅酒數據集 from sklearn.model_selection import train_test_split #導入訓練集和測試集切分包

2 探索數據

wine = load_wine() wine.data wine.data.shape wine.target wine.target.shape

運行的結果是這樣子的：

data就是該數據集的特征矩陣，從運行結果可以看出，該紅酒數據集一共有178條記錄，13個特征。

特征矩陣中有178條記錄，相對應的標簽Y就有178個數據。

如果wine是一張表，應該長這樣：

import pandas as pd pd.concat([pd.DataFrame(wine.data),pd.DataFrame(wine.target)],axis=1)

這是數據集特征列名和標簽分類

wine.feature_names wine.target_names

3 分訓練集和測試集

這里選取30%作為測試集。切分好之后，訓練集有124條數據，測試集有54條數據。

Xtrain, Xtest, Ytrain, Ytest = train_test_split(wine.data,wine.target,test_size=0.3) Xtrain.shape Xtest.shape

4 建立模型

clf = tree.DecisionTreeClassifier(criterion="entropy") #初始化樹模型 clf = clf.fit(Xtrain, Ytrain) #實例化訓練集 score = clf.score(Xtest, Ytest) #返回預測的準確度 ? score

5 畫出一棵樹

feature_name = ['酒精','蘋果酸','灰','灰的堿性','鎂','總酚','類黃酮','非黃烷類酚類','花青素','顏色強度','色調','od280/od315稀釋葡萄酒','脯氨酸'] ? import graphviz dot_data = tree.export_graphviz(clf,out_file=None,feature_names= feature_name,class_names=["琴酒","雪莉","貝爾摩德"],filled=True,rounded=True) graph = graphviz.Source(dot_data) graph

6 探索決策樹

#特征重要性 clf.feature_importances_ ? [*zip(feature_name,clf.feature_importances_)]

到現在為止，我們已經學會建立一棵完整的決策樹了。有興趣的話，動手建立一棵屬于自己的決策樹吧~

總結

以上是生活随笔為你收集整理的导入训练好的决策树文件_决策树在sklearn中的实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。