本文主要目的是通过及其简单的小程序来快速学习python 中sklearn的DecisionTreeClassifier这一函数的基本操作和使用，注意不是用python纯粹从头到尾自己构建DecisionTreeClassifier，既然sklearn提供了现成的我们直接拿来用就可以了，当然其原理十分重要，这里仅给出最核心部分：
1）树以代表训练样本的单个结点开始。
2）如果样本都在同一个类．则该结点成为树叶，并用该类标记。
3）否则，算法选择最有分类能力的属性作为决策树的当前结点．
4）根据当前决策结点属性取值的不同，将训练样本数据集tlI分为若干子集，每个取值形成一个分枝，有几个取值形成几个分枝。匀针对上一步得到的一个子集，重复进行先前步骤，递4'I形成每个划分样本上的决策树。一旦一个属性出现在一个结点上，就不必在该结点的任何后代考虑它。
5）递归划分步骤仅当下列条件之一成立时停止：
①给定结点的所有样本属于同一类。
②没有剩余属性可以用来进一步划分样本．在这种情况下．使用多数表决，将给定的结点转换成树叶，并以样本中元组个数最多的类别作为类别标记，同时也可以存放该结点样木的类别分布，
③如果某一分支没有样本，则以样本的多数类创建一个树叶。
详细的实现该算法的原代码读者可以自己百度看，还是那句话本文不是介绍怎么实现而是怎样使用
代码一：主要介绍树算法的基本操作
源数据为：(第一列为身高，第二列为体重，数据不具有真实性，仅供学习使用)
1.5 50 thin 1.5 60 fat 1.6 40 thin 1.6 60 fat 1.7 60 thin 1.7 80 fat 1.8 60 thin 1.8 90 fat 1.9 70 thin 1.9 80 fat
代码：
import numpy as np
import scipy as sp
from sklearn import tree
from sklearn.metrics import precision_recall_curve
#决策树的基本操作
from sklearn.metrics import classification_report
from sklearn.model_selection import train_test_split
#数据读入
data = []
labels = []
with open("source _data.txt") as ifile:
for line in ifile:
tokens = line.strip().split(' ')
data.append([float(tk) for tk in tokens[:-1]])
labels.append(tokens[-1])
x = np.array(data)
labels = np.array(labels)
y = np.zeros(labels.shape)
#标签转换为0/1
y[labels=='fat']=1
# 拆分训练数据与测试数据
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.4)
# 核心代码：使用信息熵作为划分标准，对决策树进行训练
clf = tree.DecisionTreeClassifier(criterion='entropy')
clf.fit(x_train, y_train)
#系数反映每个特征的影响力。越大表示该特征在分类中起到的作用越大
print(clf.feature_importances_)
#将学习树结构导出到tree.dot文件
with open("tree.dot", 'w') as f:
f = tree.export_graphviz(clf, out_file=f)
#预测结果
answer = clf.predict(x_train)
answer_proba = clf.predict_proba(x_train)#计算属于每个类的概率
print(answer)
print(answer_proba)
#sklearn中的classification_report函数用于显示主要分类指标的文本报告
#具体见https://blog.csdn.net/akadiao/article/details/78788864
answer = clf.predict(x)
print(classification_report(y, answer, target_names = ['thin', 'fat']))
运行结果：
precision、recall、f1-score分别是每种类别的准确率、召回率、准确率和召回率调和平均数（下同）
代码二：
本次用到的源数据是datasets.load_iris()，iris数据集是一个字典，可以看成150行5列的二维表。150个样本，每个样本包含了花萼长度、花萼宽度、花瓣长度、花瓣宽度四个特征（前4列）iris的每个样本都包含了品种信息，即目标属性（第5列，也叫target或label），其中有5个key键，data记录每个样本四个特征数值，target记录品种数(用0,1,2表示),target_names是具体品种名称，feature_names是具体的特征名称。
#利用iris数据源来预测所属花的种类 from sklearn import datasets import os import numpy as np import scipy as sp from sklearn import tree from sklearn.metrics import precision_recall_curve from sklearn.metrics import classification_report from sklearn.model_selection import train_test_split iris=datasets.load_iris() x=np.array(iris.data) y=np.array(iris.target) # 拆分训练数据与测试数据,test_size代表学习样本占的比例，越大学习的结果越准确 x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.8) # 核心代码：使用信息熵作为划分标准，对决策树进行训练 clf = tree.DecisionTreeClassifier(criterion='entropy') clf.fit(x_train, y_train) #系数反映每个特征的影响力。越大表示该特征在分类中起到的作用越大 print(clf.feature_importances_) #预测 answer = clf.predict(x_train) print(answer) #sklearn中的classification_report函数用于显示主要分类指标的文本报告 #具体见https://blog.csdn.net/akadiao/article/details/78788864 answer = clf.predict(x) print(classification_report(y, answer, target_names = ['V','C','D']))
运行结果为：
更多算法可以参看博主其他文章，或者github：https://github.com/Mryangkaitong/python-Machine-learning