scikit-learn（決策樹）可以用於方法分類和回歸。
一、分類
sklearn.tree.decisiontreeclassifier
(criterion='gini', splitter='best', max_depth=none, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=none, random_state=none, max_leaf_nodes=none, min_impurity_split=1e-07, class_weight=none, presort=false)引數**
例子：
from sklearn importtree
x = [[1, 1],[1, 1], [1, 0],[0, 1], [0, 1]]
y = [1, 1, 0, 0, 0]
clf =tree.decisiontreeclassifier(criterion='entropy')
clf =clf.fit(x, y)
#
predict_proba(x, check_input=true) **x中的分類概率
result =clf.predict([0,0])
print result
訓練後，我們可以使用匯出器以graphviz（需要單獨安裝）格式匯出樹export_graphviz。
with open("
iris.dot
", 'w'
) as f:
f = tree.export_graphviz(clf, out_file=f)
然後我們可以使用的graphviz的dot工具來建立乙個pdf檔案（或任何其他支援的檔案型別）
dot -tpdf iris.dot -o iris.pdf
二、回歸
sklearn.tree.decisiontreeregressor(criterion='mse', splitter='best', max_depth=none, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=none, random_state=none, max_leaf_nodes=none, min_impurity_split=1e-07, presort=false)
其他參與與decisiontreeclassifier類似
from sklearn importtree
x = [[1],[2],[3],[4],[5],[6]]
y = [1,2,3,4,5,6]
clf = tree.decisiontreeregressor(criterion='
mae'
)clf =clf.fit(x, y)
result = clf.predict([4])
print result
輸出：
[ 4.]
決策樹演算法實現（scikit learn）
sk learn的決策樹文件 決策樹的演算法介紹 在 mac os x 中安裝與使用 graphviz 圖形視覺化工具 決策樹歸納演算法 id3 優先選擇資訊獲取量最大的屬性作為屬性判斷結點 資訊獲取量 information gain gain a info d infor a d age屬性資訊...
Scikit learn 決策樹視覺化
平常網上看到的關於決策樹的scikit learn教程大都是直接給出容器的訓練 clf tree.decisiontreeclassifier clf clf.fit x,y clf.predict 然而有時候要的不只是 資料的結果，選擇決策樹還想要看到訓練出來的決策樹是什麼樣的。於是經過各種搜尋，...
02 25 scikit learn庫之決策樹
目錄二 decisiontreeregressor 人工智慧從入門到放棄完整教程目錄 在scikit learn庫中決策樹使用的cart演算法，因此該決策樹既可以解決回歸問題又可以解決分類問題，即下面即將講的decisiontreeclassifier和decisiontreeregressor兩個...