- 前言
- sklearn中的决策树
- 1.sklearn.tree模块
- 2.sklearn基本建模流程
- 链接
前言
决策树（Decision Tree）是一种非参数的有监督学习方法，它能够从一系列有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现这些规则，以解决分类和回归问题。
sklearn中的决策树 1.sklearn.tree模块
sklearn中决策树的类都在tree模块下，模块共包含五个类：
| 类 | 名称 |
|---|---|
| tree.DecisionTreeClassififier | 分类树 |
| tree.DecisionTreeRegressor | 回归树 |
| tree.export_graphviz | 将生成的决策树导出为DOT格式，画图专用 |
| tree.ExtraTreeClassififier | 高随机版本的分类树 |
| tree.ExtraTreeRegressor | 高随机版本的回归树 |
在这个流程下，分类树对应的代码是：
from sklearn import tree #导入需要的模块 clf = tree.DecisionTreeClassifier() #实例化 clf = clf.fit(X_train,y_train) #用训练集数据训练模型 result = clf.score(X_test,y_test) #导入测试集，从接口中调用需要的信息
链接
决策树原理
回归树
