0、基礎構建

利用sklearn 的鳶尾屬植物資料編寫簡單決策樹。 首先是獲取資料（乾淨資料不需要處理），然後需要對規則進行視覺化。這一步需要配置 搭建Graphviz環境

1、鳶尾屬植物資料集描述

這個資料集大家肯定熟悉的不能在熟悉了， 但是這三類植物圖片不是所有人看過的（筆者也是）。所以筆者將幾個預測目標的圖片彙總如下：

從圖片就可以看出 Iris Setosa(山鳶尾) 和 Iris Versicolour(變色鳶尾) 與 Iris Virginica(維吉尼亞鳶尾) 在花瓣的長寬上區別明顯。

2、建模

# 載入資料 鳶尾屬植物資料集
from sklearn.datasets import
 
 load_iris
from sklearn.tree import DecisionTreeClassifier

from sklearn.tree import export_graphviz # 視覺化樹
import pydotplus 

def Get_irir():
    iris = load_iris()
    return iris.data[:, 2:], iris.target

def Tree_graph(decision_tree, out_root):
    # 將決策樹視覺化，輸出pdf(需要配置graphivz環境)
    iris = load_iris(
 
)
    f_names = iris.feature_names[2: ]
    class_name = iris.target_names
    dot_data = export_graphviz(decision_tree, out_file = None,
                                feature_names = f_names,
                                class_names = class_name, special_characters = True,
                                rounded =
 
 True, filled = True )
    graph = pydotplus.graph_from_dot_data(daot_data)
    return graph.write_pdf(out_root)

## 簡單的進行2層樹深擬合
if __name__ == '__main__':
    x, y = Get_irir()
    tree_clf = DecisionTreeClassifier(max_depth = 2)
    tree_clf.fit(x, y)
    ## 決策樹視覺化 ##
    Tree_graph(tree_clf)
    ## 預測
    print(tree_clf.predict([[5, 1.5]]))
    print(tree_clf.predict_proba([[5, 1.5]]))

3、決策樹預測結果如下

[1]
# Iris-Setosa（0/54）為 0％，Iris-Versicolor為 (49/54)，即 90.7％， Iris-Virginica (5/54)，即 9.3 ％。
[[0.         0.90740741 0.09259259]]

規則如下