Python 决策树实现鸢尾花分类并可视化 - 代码示例和解释

以下是使用 Python 代码实现决策树分类鸢尾花数据集的示例：

import pandas as pd
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier, plot_tree
import matplotlib.pyplot as plt

# 加载鸢尾花数据集
iris = load_iris()

# 创建数据框
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['target'] = iris.target

# 创建决策树分类器
dtc = DecisionTreeClassifier(random_state=0)

# 训练模型
dtc.fit(df[iris.feature_names], df['target'])

# 可视化决策树
plt.figure(figsize=(20, 10))
plot_tree(dtc, feature_names=iris.feature_names, class_names=iris.target_names, filled=True)
plt.show()

运行以上代码将输出一张决策树的可视化图表。

决策树的每个节点代表一个特征，分支代表特征的取值，最终的叶子节点代表分类的结果。通过观察决策树，可以理解鸢尾花分类的决策过程，例如：

• 如果花瓣长度小于 2.45，则分类为 'setosa'。
• 如果花瓣长度大于等于 2.45 且花瓣宽度小于等于 1.75，则分类为 'versicolor'。
• 否则，分类为 'virginica'。