### Python ID3 Algorithm Implementation for Iris Dataset Classification 以下是使用ID3算法对UCI的鸢尾花（Iris）数据集进行分类并生成决策树图形以及输出基于决策树的分类规则（if-then形式）的完整Python代码： ```python import numpy as np import pandas as pd from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier, export_text from sklearn.model_selection import train_test_split from matplotlib import pyplot as plt from sklearn import tree # 加载Iris数据集 data = load_iris() X = pd.DataFrame(data.data, columns=data.feature_names) y = pd.Series(data.target) # 将数据分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # 使用DecisionTreeClassifier模拟ID3算法（设置criterion='entropy'） clf = DecisionTreeClassifier(criterion="entropy", max_depth=None, random_state=42) clf.fit(X_train, y_train) # 可视化决策树 plt.figure(figsize=(15, 10)) tree.plot_tree(clf, feature_names=data.feature_names, class_names=data.target_names, filled=True) plt.title("Decision Tree Visualization") plt.show() # 输出决策树的分类规则（if-then形式） rules = export_text(clf, feature_names=data.feature_names.tolist()) print("Classification Rules:") print(rules) # 测试模型性能 accuracy = clf.score(X_test, y_test) print(f"Model Accuracy: {accuracy * 100:.2f}%") ``` --- #### 解析与说明 1. **加载数据**: 使用`sklearn.datasets.load_iris()`函数加载Iris数据集，并将其转换为Pandas DataFrame以便于操作。 2. **划分数据集**: 利用`train_test_split`将数据划分为训练集和测试集，比例为70%-30%，随机种子设为42以确保结果可重复[^6]。 3. **构建决策树模型**: `DecisionTreeClassifier`中的参数`criterion='entropy'`用于指定熵作为分裂标准，这正是ID3算法的核心特性之一。通过调整`max_depth`可以控制树的最大深度，这里未设定上限以完全展开树结构[^7]。 4. **可视化决策树**: 借助`matplotlib.pyplot`库绘制决策树图，展示节点分裂条件及其对应的类别分布情况。 5. **提取分类规则**: 使用`export_text`方法导出决策树的分类规则，这些规则将以if-then的形式呈现，便于理解每条路径上的逻辑判断过程。 6. **评估模型表现**: 计算模型在测试集上的准确率，验证其泛化能力。 --- ### 注意事项 - 如果需要严格实现原始的ID3算法而非依赖Scikit-Learn封装，则需手动编写计算信息增益、选择最佳特征分割点等功能模块。 - 上述代码默认采用整个数据集参与建模；实际应用中可根据需求引入交叉验证机制进一步优化模型稳定性[^8]。 ---