决策树是一种由算法自动设计的模型。在机器学习中，构建决策树的过程通常遵循以下步骤：
-
特征选择：算法会评估每个特征，并选择一个特征作为节点分裂的依据。这个选择基于某种准则，如信息增益（ID3算法）或Gini不纯度（CART算法）。
-
最佳分裂点确定：算法会计算每个特征的所有可能分裂点，并选择一个使得不纯度最小（或信息增益最大）的分裂点。
-
递归分裂：在选择了特征和分裂点后，算法会递归地对数据集的每个子集重复上述过程，直到满足停止条件。
-
停止条件：停止条件可以是多种因素，例如：
- 数据集的不纯度低于某个阈值。
- 达到预设的最大树深度。
- 节点中的样本数量低于某个阈值。
- 没有更多的特征可以用来分裂。
-
剪枝：为了防止过拟合，算法可能会采用剪枝技术来减少树的复杂度。这包括预剪枝（在生长过程中限制树的大小）和后剪枝（先生长整棵树，然后从底部剪除不必要的分支）。
-
输出模型：最终，算法会输出一个决策树模型，该模型可以通过一系列的问题（特征和分裂点）来对新的数据点进行分类。
首先导入库和数据，分割数据集，创建 DecisionTreeClassifier 的实例并使用训练集数据对其进行训练。预测分数
import numpy as np
from sklearn.tree import DecisionTreeClassifier
from sklearn import datasets
import graphviz
from sklearn.model_selection import train_test_split
from sklearn import tree
iris = datasets.load_iris()
X = iris['data']
y = iris['target']
feature_names = iris['feature_names']
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2,random_state =256)
model = DecisionTreeClassifier()
model.fit(X_train,y_train)
print('测试数据得分',model.score(X_test,y_test))
print('算法预测结果',model.predict(X_test))
print('真实结果 ',y_test)
#逻辑斯蒂回归中，手动计算过概率
model.predict_proba(X_test)
构建决策树
dot_data = tree.export_graphviz(model,filled=True,rounded=True,feature_names=feature_names)
graphviz.Source(dot_data)
我们可以分析出构建的决策树使用了以下特征和策略：
-
特征选择：决策树使用了鸢尾花数据集中的以下特征：
- petal length (cm)：花瓣长度
- petal width (cm)：花瓣宽度
- sepal width (cm)：萼片宽度
-
分裂准则：决策树的每个节点都基于某个特征的阈值进行分裂，例如 "petal length (cm) <= 2.45" 表示如果花瓣长度小于或等于2.45厘米，则按照这个条件进行数据的分裂。
-
Gini不纯度：每个节点都显示了Gini不纯度值，这是衡量数据集纯度的指标。Gini不纯度越低，表示数据集的纯度越高。例如，一个节点显示 "gini = 0.666" 表示该节点的不纯度较高，而 "gini = 0.0" 表示该节点的样本全部属于同一类别。
-
样本数量：每个节点都显示了该节点下的样本数量，例如 "samples = 120" 表示该节点下有120个样本。
-
类别分布：每个节点都显示了该节点下各个类别的样本数量，例如 "value = [39, 39, 42]" 表示该节点下有39个样本属于第一类，39个样本属于第二类，42个样本属于第三类。
-
递归分裂：决策树通过递归的方式进行分裂，直到满足停止条件，例如Gini不纯度降至0（所有样本属于同一类别）或者达到预设的最大深度。
-
停止条件：当一个节点的Gini不纯度降至0，或者样本数量很少时，分裂会停止。例如，"gini = 0.0" 表示该节点下的所有样本都属于同一类别，不需要进一步分裂。
-
特征重要性：从截图中可以看出，花瓣长度和宽度的特征在多个节点中被用作分裂准则，这表明这些特征对于分类可能更为重要。
-
树的深度：从截图中可以看出，树的深度相对较浅，这意味着模型可能没有过拟合，但也可能没有捕捉到数据的所有特征。
-
预测结果：最终，每个叶节点都会给出一个预测结果，通常是多数投票的结果。
