决策树实现鸢尾花分类

决策树是一种基于树结构的分类方法，可以用于解决多分类问题。下面是用决策树实现鸢尾花（Iris）分类的步骤：

1.准备数据集

鸢尾花数据集是机器学习中常用的数据集之一，包含3种不同品种的鸢尾花，每种品种有50个样本，共150个样本。每个样本包含4个特征：花萼长度，花萼宽度，花瓣长度和花瓣宽度。

我们可以从sklearn库中加载鸢尾花数据集：

from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data  # 特征
y = iris.target  # 标签

2.划分数据集

将数据集划分为训练集和测试集，其中训练集用于构建决策树模型，测试集用于评估模型的性能。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

3.构建决策树模型

使用sklearn库中的DecisionTreeClassifier类构建决策树模型，并使用训练集训练模型。

from sklearn.tree import DecisionTreeClassifier
clf = DecisionTreeClassifier(random_state=42)
clf.fit(X_train, y_train)

4.评估模型性能

使用测试集评估模型的性能，可以使用sklearn库中的accuracy_score函数计算模型的准确率。

from sklearn.metrics import accuracy_score
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

5.可视化决策树

可以使用graphviz库将决策树可视化，方便我们观察决策树的结构和分类规则。

from sklearn.tree import export_graphviz
import graphviz

dot_data = export_graphviz(clf, out_file=None, 
                           feature_names=iris.feature_names,  
                           class_names=iris.target_names,  
                           filled=True, rounded=True,  
                           special_characters=True)  
graph = graphviz.Source(dot_data)  
graph.render("iris")  

运行上述代码后，会在当前目录下生成一个名为“iris.pdf”的文件，打开该文件即可查看决策树的结构和分类规则。

以上就是用决策树实现鸢尾花分类的全部步骤