①導入相關擴展包
from sklearn.tree import DecisionTreeClassifier
from sklearn.tree import export_graphviz
②獲取數據集
iris = load_iris()
③划分數據集
x_train,x_test,y_train,y_test=train_test_split(iris.data,iris.target,random_state=20)
④決策樹預估器(estimator)
estimator=DecisionTreeClassifier(criterion="entropy") #criterion默認為'gini'系數，也可選擇信息增益熵'entropy' estimator.fit(x_train,y_train) #調用fit()方法進行訓練,()內為訓練集的特征值與目標值
⑤模型評估
方法一：直接對比測試集的真實值和預測值
y_predict=estimator.predict(x_test) #傳入測試集特征值，預測所給測試集的目標值 print("y_predict:\n",y_predict) print("直接對比真實值和預測值：\n",y_test==y_predict)
方法二：計算准確率
score=estimator.score(x_test,y_test) #傳入測試集的特征值和目標值
⑥決策樹可視化（將結果寫入tree.dot文件中，然后將tree.dot文件中的內容粘貼在webgraphviz.com中進行可視化展示
export_graphviz(estimator, out_file="tree.dot", feature_names=iris.feature_names)
主要代碼：
def decision_demo(): # 1.獲取數據集 iris = load_iris() # 2.划分數據集 x_train,x_test,y_train,y_test=train_test_split(iris.data,iris.target,random_state=20) # 3.決策樹預估器(estimator) estimator=DecisionTreeClassifier(criterion="entropy") #criterion默認為'gini'系數，也可選擇信息增益熵'entropy' estimator.fit(x_train,y_train) #調用fit()方法進行訓練,()內為訓練集的特征值與目標值 # 4.模型評估 #方法一：直接對比真實值和預測值 y_predict=estimator.predict(x_test) #傳入測試集特征值，預測所給測試集的目標值 print("y_predict:\n",y_predict) print("直接對比真實值和預測值：\n",y_test==y_predict) #方法二：計算准確率 score=estimator.score(x_test,y_test) #傳入測試集的特征值和目標值 print("准確率為：\n",score) #決策樹可視化 export_graphviz(estimator,out_file="tree.dot",feature_names=iris.feature_names) return None
代碼運行結果：
可視化展示結果：
注：可視化展示中，feature_names=iris.feature_names缺省會出現特征值名稱缺失現象，如下圖所示：
