机器学习决策树算法介绍

生成树算法相对比较容易理解。

什么是特征：

# 1. 导入工具
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier, plot_tree
import matplotlib.pyplot as plt

# 2. 加载自带数据集（3种花分类）
data = load_iris()
X = data.data    # 特征：花的长宽4个指标
y = data.target  # 标签：3种花卉0/1/2

# 3. 创建决策树模型，限制深度防止过拟合
tree = DecisionTreeClassifier(max_depth=3, random_state=42)
# 4. 训练模型（自动生成分层判断规则）
tree.fit(X, y)

# 5. 模型预测
test_sample = [[5.1, 3.5, 1.4, 0.2]]
pred = tree.predict(test_sample)
print("预测花卉类别：", data.target_names[pred[0]])

# 6. 画出完整决策树图，直观看到分层拆分逻辑
plt.figure(figsize=(12, 8))
plot_tree(tree, feature_names=data.feature_names, class_names=data.target_names, filled=True)
plt.show()