### 使用Python编写决策树分类器程序 为了展示如何利用Python中的`scikit-learn`库来构建并应用决策树分类器，下面提供了一段完整的代码示例。这段代码不仅涵盖了模型的建立过程，还包括了评估其性能的方法。 #### 加载必要的库和准备数据集 首先导入所需的包，并加载鸢尾花数据集作为示例： ```python from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import accuracy_score, confusion_matrix, plot_confusion_matrix import matplotlib.pyplot as plt # 加载鸢尾花数据集 data = load_iris() X, y = data.data, data.target ``` #### 数据预处理与划分 接着将整个数据集划分为训练集和测试集两部分，以便后续可以验证模型的效果： ```python # 将数据集按照70%训练集、30%测试集的比例随机拆分 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) ``` #### 创建并训练决策树模型 定义一个具有特定参数设置（如最大深度）的决策树分类器对象，并通过调用`.fit()`方法完成对该模型的学习过程： ```python # 定义带有指定最大深度限制的决策树分类器 clf = DecisionTreeClassifier(max_depth=2) # 利用训练集拟合模型 clf.fit(X_train, y_train) ``` #### 测试模型准确性 最后一步是对之前未见过的新样本执行预测操作，并对比实际标签计算出整体准确率以及其他评价指标；同时还可以可视化混淆矩阵帮助理解错误分布情况： ```python # 对测试集做出预测 y_pred = clf.predict(X_test) # 输出模型在测试集上的表现 print(f"模型准确率：{accuracy_score(y_test, y_pred):.2f}") # 绘制混淆矩阵图 plot_confusion_matrix(clf, X_test, y_test) plt.title('Confusion Matrix') plt.show() # 计算其他评分标准 precision = metrics.average_precision_score(y_test, y_pred) recall = metrics.recall_score(y_test, y_pred, average='macro') f1 = metrics.f1_score(y_test, y_pred, average='weighted') print(f"\n精确度(Precision)： {precision:.2f}") print(f"召回率(Recall)： {recall:.2f}") print(f"F1得分(F1 Score)： {f1:.2f}") ``` 上述流程展示了从零开始搭建一个简单的机器学习项目所需经历的主要阶段——即获取数据、清理/转换特征变量、选择合适的算法框架以及最终部署解决方案到生产环境中去的过程[^1][^2]。