“分而治之，逐一击破”

前言

随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的决策树分类应用实践案例。

一、数据集

在案例开始前，自然要先有数据集（你可以理解成做实验需要用的小白鼠），在本例中，我采用的是常见的鸢尾花数据集。考虑二维图形更直观，因此，选取了鸢尾花的两个特征来作图。

from sklearn.datasets import load_iris

iris = load_iris()
x = iris.data[:,2:4]
y = iris.target
plt.scatter(x[:,0],x[:,1],c=y)
plt.show()

petal length：花瓣长度  petal width：花瓣宽度   选取的两个特征

二、sklearn中的决策树

因为是实战案例，公式推导的方法就不演示了，直接用调库大法。

1.引入库

Sklearn.tree 中的DecisionTreeClassifier分类器

from sklearn.tree import DecisionTreeClassifier
clf = DecisionTreeClassifier(max_depth=2,criterion='entropy')      #max_depth：决策树的深度，criterion："gini"或者"entropy"
clf.fit(x,y)

2.分类结果可视化

3.决策树可视化

from sklearn.tree import plot_tree
plot_tree(clf)

小结，先声明一下X[1]特征就是花瓣宽度这个特征，弄清楚了这个，图片就好看懂了。根据决策树可知，最后划分成了3类，第一阶段根据花瓣宽度<=0.8划分为第一类，共50个数据，再再根据花瓣宽度>0.8且花瓣宽度<=1.75划分为为第二类，共49+5个数据，剩下的根据花瓣宽度>1.75划分为为第三类，共1+45个数据。

总结

以上就是决策树分类模型的具体应用，虽然分类的任务是解决了，但是这个分类结果好不好或者说这个模型精确度怎样？还请大家留意下一篇文章，会涉及决策树分类模型的评价以及该模型的优缺点，还请大家多多关注。