### 基于决策树算法的鱼类和非鱼类分类 Python 代码 以下是实现基于决策树算法来预测鱼类和非鱼类的一个完整 Python 示例。此代码可以在 Jupyter Notebook 中运行，并提供了详细的注释以便理解。 #### 数据准备阶段 为了演示目的，假设我们有一个简单的数据集 `fish_data.csv`，其中包含特征列（如长度、重量等）以及目标标签（0 表示非鱼类，1 表示鱼类）。如果实际应用中没有现成的数据集，则可以使用随机生成的方法创建样本数据[^1]。 ```python import pandas as pd from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier, export_text from sklearn.metrics import accuracy_score, confusion_matrix, classification_report # 创建虚拟数据集 (仅用于演示) data = { 'length': [12, 8, 15, 7, 9, 14, 6], 'weight': [3.5, 2.0, 4.0, 1.5, 2.2, 3.8, 1.0], 'species': [1, 1, 1, 0, 1, 1, 0] # 1表示鱼类，0表示非鱼类 } df = pd.DataFrame(data) X = df[['length', 'weight']] # 特征变量 y = df['species'] # 目标变量 # 划分训练集与测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) ``` --- #### 构建并训练模型 通过 Scikit-Learn 的 `DecisionTreeClassifier` 类构建决策树模型，并对其进行拟合操作。 ```python # 初始化决策树分类器 clf = DecisionTreeClassifier(criterion='entropy', max_depth=3, random_state=42) # 训练模型 clf.fit(X_train, y_train) # 输出决策路径规则 tree_rules = export_text(clf, feature_names=['length', 'weight']) print("决策树规则:\n", tree_rules) ``` --- #### 预测与评估性能 利用测试集验证模型的表现，并计算准确率及其他指标。 ```python # 进行预测 y_pred = clf.predict(X_test) # 打印混淆矩阵及分类报告 conf_mat = confusion_matrix(y_test, y_pred) class_rep = classification_report(y_test, y_pred) print(f"混淆矩阵:\n{conf_mat}") print(f"\n分类报告:\n{class_rep}") # 准确率得分 accuracy = accuracy_score(y_test, y_pred) print(f"模型准确率为: {accuracy:.2f}") ``` --- #### 可视化决策树结构 借助 `plot_tree` 方法绘制决策树图形，便于直观分析其内部逻辑。 ```python import matplotlib.pyplot as plt from sklearn.tree import plot_tree plt.figure(figsize=(12, 8)) plot_tree(clf, filled=True, feature_names=['length', 'weight'], class_names=["Non-Fish", "Fish"]) plt.title('决策树可视化') plt.show() ``` 以上代码展示了如何在 Jupyter Notebook 环境下完成从数据加载到模型训练再到结果可视化的全流程[^2]。 --- ###