直接コードに：
1 ＃-コーディング：GBK - 2 から sklearn.datasets インポートload_breast_cancer 3 から sklearn.tree インポートDecisionTreeClassifier 4 から sklearn.model_selectionのインポート train_test_split 5 から sklearn.tree インポートexport_graphviz 6頭の インポートPDとしてパンダ 7 インポートGraphvizの 8 インポートmglearn 9 から sklearn.ensemble 輸入RandomForestClassifier 10 からsklearn.datasetsはインポートmake_moons 11 から sklearn.ensemble インポートGradientBoostingClassifier 12 から sklearn.svm インポートSVC 13 から pylabのインポート * 14 DEF ）（决策树： 15 癌= load_breast_cancer（） 16 X_train、X_test、y_train、y_test = train_test_split（ 17 癌.DATA、cancer.target、層別化= cancer.target、random_state = 42 ） 18 ツリー= DecisionTreeClassifier（random_state = 0） 19 プリント（X_train） 20 プリント（y_train.shape） 21 tree.fit（X_train、y_train） 22 y_predict = tree.predict（X_test） 23 プリント（" 訓練セット上の精度：{：.3f} " .format（tree.score（ X_train、y_train））） 24 プリント（" テストセット上の精度：{：.3f} " .format（tree.score（X_test、y_test））） 25 ''」 26 export_graphviz（木、out_fileパラ= "tree.dot" 、class_names = [ "悪性" "良性"]、FEATURE_NAMEに= cancer.feature_names、 27 不純物= Falseを、 満たされた=真） 28 29 （ "tree.dot"）で開くAS F： 30 dot_graphに達し、f.read =（） 31は graphviz.Source（dot_graph） 32 '' ' 33で 印刷（" ：\ N- {}機能キー" .format（tree.feature_importances_ ）） 34である 35 DEF ）（ランダムフォレスト： 36 。X-、Y = make_moons（N_SAMPLES = 100、ノイズ= 0.25、random_state = 3 ） 37 。X_train、X_test、y_train、android.permission.FACTOR = train_test_split（X、Y、階層化= Y、random_state = 42 ） 38 '' ' 5つのランダムフォレスト' '' 39 森林= RandomForestClassifier（n_estimators = 5、random_state = 2 ） 40 forest.fit（X_train、y_train） 41 y_pred = forest.predict（X_test） 42 プリント（y_pred） 43 プリント（y_test） 44 プリント（np.mean（y_test == y_pred）） 45 図、軸= plt.subplots（2 、3、figsize =（20、10 ）） 46 のための I、（AX、ツリー）に列挙（ZIP（axes.ravel（）、forest.estimators_））：ax.set_title（" ツリー{} " .format（I ）） 47 mglearn.plots.plot_tree_partition（X_train、y_train、木、AX = AX） 48 mglearn.plots.plot_2d_separator（森林、X_train、フィル= trueの場合、AX =軸[-1、-1]、アルファ= 0.4 ） 49の 軸[-1、-1] .set_title（" ランダムフォレスト" ） 50 mglearn。 discrete_scatter（X_train [:, 0]、X_train [:, 1 ]、y_train） 51 52 DEF 梯度提升树（）： 53 癌= load_breast_cancer（） 54 X_train、X_test、y_train、y_test = train_test_split（cancer.data、癌。ターゲット、random_state = 0） 55 ＃gbrt = GradientBoostingClassifier（random_state = 0、MAX_DEPTH = 1） 56 gbrt = GradientBoostingClassifier（random_state = 0、learning_rate = 0.01） 57は gbrt.fit（X_train、y_train） 58 y_pred = gbrt.predict（X_test） 59 プリント（y_pred） 60 プリント（np.mean（y_pred == ）android.permission.FACTOR。） 61である 62である DEF SVMイージーベクター（）： 63であり 、X、 = Yのmglearn.tools.make_handcrafted_dataset（） 64 「」 ' 65 ガンマパラメータは、ガウスカーネルの幅を制御するために、所定のパラメータの式です。それは「近い」との間にドットを決定どのくらいの距離を指します。 66 Cパラメータは、使用される線形モデルに似正則化パラメータです。これは、各点の重要性を制限する（または、より正確には、各点をdual_coef_）。 67 68 '' ' 69 SVM = SVC（カーネル= ' RBF '、C = 10、ガンマ= 0.1）.fit（X、Y） 70 mglearn.plots.plot_2d_separator（SVM、X、EPS = 0.5 ） 71 mglearn.discrete_scatter（X [:, 0]、X [:, 1 ]、Y） 72 ＃画出支持向量 73 SV = svm.support_vectors_ 74 sv_labels = svm.dual_coef_.ravel（）> 0 75 mglearn.discrete_scatter（SV [:, 0]、SV [:, 1]、sv_labels、S = 15、markeredgewidth = 3 ） 76 PLT .xlabel（" 機能0 " ） 77 plt.ylabel（" 特集1 " ） 78 plt.show（） 79 80 DEF ）（ベクタデータを前処理： 81 がん= load_breast_cancer（） 82 X_train、X_test、y_train、android.permission.FACTOR = train_test_split（cancer.data、cancer.target、random_state = 0） 83 SVC = SVC（） 84 svc.fit（X_train 、y_train） 85 y_pred = svc.predict（X_test） 86 プリント（np.mean（y_pred == android.permission.FACTOR。）） 87 88 '' ' の前処理-ズーム' '' 89 min_on_training = X_train.min（軸= 0） 90 = range_on_training（X_train - min_on_training）.MAX（軸= 0） 91である 92 X_train_scaled =（X_train - min_on_training）/ range_on_training 93 X_test_scaled =（X_test - min_on_training）/ range_on_training 94 プリント（" 各機能\ N {}の最小" .format（X_train_scaled.min（軸= 0））） 95 プリント（「最大各機能の\ N {} " .format（X_train_scaled.max（軸= 0））） 96 97 '' ' 变换''' 98 X_test_scaled =（X_test - min_on_training）/ range_on_training 99 SVC = SVCを（） 100 svc.fit（X_train_scaled、y_train） 101 y_pred = svc.predict（X_test_scaled） 102 プリント（np.mean（y_pred == android.permission.FACTOR）。） 103 IF __name__ == ' __main__ ' ： 104 （ベクトルデータを前処理）