目录
1、概念
2决策树生成方法
3、决策树的绘制方法
4、案例代码示例
1、概念决策树(诊断树)。
他通过学习训练样本，建立分类规则，将新样本数据分类，属于有监督的学习
决策树也是一种多功能的机器学习算法，它是可能的
实现分类和回归任务，甚至多输出任务。
好处：
决策树容易理解和实现
决策树可以处理数值型和非数值型的数据
2决策树生成方法# dt model=decisiontreeclassifier (max _ leaf _ nodes=none ) ) ) ) ) ) )。
max_leaf_nodes的最大叶节点数
##培训模式
dtmodel.fit(featuredata，targetData ) )。
featuereData属性数据
目标数据目标数据
# # # dt模式. predict (featuredata ) )。
featureData属性数据
3、决策树绘制方法sklearn.tree.export_graphviz(…)
dtModel决策树模型
out_file图形数据的输出路径
class_names目标属性名称，中文
feature_names特征属性名称中文
是否要用filled=Ture颜色填充
rounded=TRUE边框是否采用圆角边框
special_characters中有特殊字符吗
4、案例代码例升学意愿调查——
注释列
studentID学生ID
GEnder性别
父信息父代的收入
智商智商
父项会计的父母在鼓励吗
ColegePlans打算上大学吗
目的：改变决策树图形，用于导师判断一个学生是否有升学意愿
导入熊猫； data=pandas.read _ CSV (d :\ data\ py casenumber2 5.3\ data.CSV ) #将虚拟变量转换为数字变量。 这里有性别和有无' parent encouragement ' ' forcolumnindummycolumns 3360 data [ column ]=data [ column ].as type (category ) dumns prefix=dummyColumns，prefix_sep='='，drop_first=True ) #表示已在列表中选择dummies data.columns # ' IQ '，' genen ' parent encouragement=not encouraged ' ] #目标变量tdata=dummies data [ ' college plans ' ] #如何部署决策树froms klearn.treeimportdecect 8表示叶最下端的叶数dt model=decisiontreeclassifier (max _ leaf _ nodes=8)，引入10折交叉验证方法。 模型的最终分数froms klearn.model _ selectionimportcross _ val _ score cross _ val _ score (dt model、fData、tData， 得到cv=10 ) tData ) froms klearn.treeimportexport _ graphviz )需要绘制的dot文件withopen (d :\ datapy case _ nu n w ' ) ASF : f=export _ graphviz (dt model， out_file=f )在cmd客户端上绘制dote命令，然后在dot文件路径# dot-t png data.dot-oloan _ tree.png # png # dot-tpd fdata.dood 切换到的pypdot执行和绘制importpydotfromsklearn.externals.siximportstringiodot _ data=stringio (export _ graphviz ) dtmodel feature_names=[ '父母的收入'，'智商'，'性别=男人'，'父母鼓励=不鼓励' ]，filled=True， round eer special _ characters=true (将# dot _ data转换为图形变量graph=py dot.graph _ from _ dot _ data ) _ dot _ data.getvta