### 创建并可视化 Decision Tree Classifier 的过程 为了使用 Python 中的 `scikit-learn` 库来创建和可视化一个决策树分类器模型，可以按照以下方式操作： #### 安装依赖库 如果尚未安装必要的库，则需要先通过 pip 命令完成安装[^3]： ```bash pip install scikit-learn matplotlib numpy ``` #### 导入所需模块 在构建模型前，需导入所需的库和模块。以下是完整的导入语句列表[^1]: ```python import numpy as np import matplotlib.pyplot as plt from sklearn.tree import DecisionTreeClassifier, plot_tree from sklearn.datasets import make_moons from sklearn.model_selection import train_test_split ``` #### 数据集准备 这里我们采用人工生成的数据集作为例子。例如，我们可以利用 `make_moons` 函数生成具有两个类别的数据点集合: ```python X, y = make_moons(noise=0.3, random_state=42) ``` 上述代码会生成带有噪声的二维月牙形分布数据。 #### 划分训练集与测试集 将原始数据划分为训练集和验证集以便后续评估模型性能: ```python X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42) ``` #### 构建决策树分类器 定义一个简单的决策树分类器实例，并对其进行拟合处理: ```python clf = DecisionTreeClassifier(max_depth=3, random_state=42) clf.fit(X_train, y_train) ``` 此处设置最大深度为 3 (`max_depth=3`) 来防止过度复杂化模型结构从而引发过拟合现象[^4]。 #### 可视化决策边界 下面提供了一种通用的方法用于绘制任意二元分类器的决策面图示: ```python def plot_decision_boundary(clf, X, y, cmap='coolwarm', alpha=0.8): h = .02 # 步长设定 x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1 y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1 xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h)) Z = clf.predict(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) plt.contourf(xx, yy, Z, alpha=alpha, cmap=cmap) plt.scatter(X[:, 0], X[:, 1], c=y, edgecolors='k', cmap=plt.cm.Paired) plt.xlabel('Feature 1') plt.ylabel('Feature 2') plot_decision_boundary(clf, X, y) plt.title("Decision Boundary of the Decision Tree") plt.show() ``` 此函数接受已训练好的分类器对象以及输入特征矩阵和目标向量作为参数，在网格上预测类别标签并将结果映射回原空间显示出来。 #### 绘制实际决策树图形 除了查看抽象化的决策界面外，还可以直接观察到内部节点分裂逻辑的具体情况: ```python plt.figure(figsize=(10,7)) plot_tree(clf, filled=True, feature_names=["feature_1", "feature_2"], class_names=["class_0", "class_1"]) plt.show() ``` 以上即完成了基于 Scikit-Learn 实现的一个简单案例演示——从零开始搭建了一个决策树分类器，并对其进行了直观呈现。 ---