微信公众号：yale记 关注可了解更多的教程问题或建议，请公众号留言。
背景介绍
今天我们会使用真实的数据来建一棵决策树，编写代码，将其可视化，这样您即可明白决策树是如何在幕后工作的。这里我们使用sklearn中自带的数据集Iris flower data set，该数据集由来自三种鸢尾 （ Iris setosa ， Iris virginica和Iris versicolor ）中的每一种的50个样品组成。从每个样品测量四个特征 ：萼片和花瓣的长度和宽度，以厘米为单位。基于这四个特征的组合，Fisher开发了一种线性判别模型，以区分物种。
入门示例
代码块:
代码语言：javascript复制import numpy as np
from sklearn.datasets import load_iris
from sklearn import tree
# ### 加载Iris花数据集：
iris = load_iris()
print(iris.feature_names)
# ### 以上特征分别为 萼片长度 萼片宽度 花瓣长度 花瓣宽度
print(iris.target_names)
# ### 以上代表三种鸢尾花 索引分别为 0 1 2
# ### 打印第一种花的特征单位cm ：
print(iris.data[0])
# ### 打印第一种花的标签 这里为0 是setosa :
print(iris.target[0])
for i in range(len(iris.target)):
print("%d: 花名标签：%s,特征：%s" %
(i,iris.target[i],iris.data[i]))
# ### 定义一个索引位置列表 0 50 100
# ### 分别代表三种花的特征和标签的索引
test_idx = [0,50,100]
#训练数据
train_target = np.delete(iris.target,test_idx)
train_data = np.delete(iris.data,test_idx,axis=0)
#测试数据
test_target = iris.target[test_idx]
test_data = iris.data[test_idx]
print(test_target)
print(test_data)
clf = tree.DecisionTreeClassifier()
clf.fit(train_data,train_target)
print(clf.predict(test_data))
#可视化决策树
import graphviz
dot_data = tree.export_graphviz(clf, out_file=None,
feature_names=iris.feature_names,
class_names=iris.target_names,
filled=True, rounded=True,
special_characters=True)
graph = graphviz.Source(dot_data)
graph.render("iris-color")
