知识梳理不易，请尊重劳动成果，文章仅发布在CSDN网站上，在其他网站看到该博文均属于未经作者授权的恶意爬取信息

2 利用决策树进行鸢尾花数据集分类预测

2.1 导入模块与加载数据

在进行逻辑回归分类的过程中已经有使用过iris数据集，这里直接加载数据，并进行字段名称的修改。

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
sns.set(color_codes=True)
%matplotlib inline

iris_df = pd.read_csv(\'../data/iris.csv\',header=None)
col_name =   [\'sepal length\', \'sepal width\', \'petal length\', \'petal width\', \'class\']
iris_df.columns = col_name

输出结果如下。

通过info()方法查看各个字段的基本详情，输出结果如下。字段中数据已经是处理完整，没有需要清洗的部分。

2.2 划分数据

首先进行特征数据和标签数据的划分。

X = iris_df.drop(columns=[\'class\'])
X.head(5)
y = iris_df[\'class\']
y.head(5)

输出结果如下。

接着就是对数据集进行训练数据和测试数据的划分。在前一个案例中，数据量不超过20条，全部应用在模型中，而真实的环境中，为了保证模型的稳定性，需要进行训练和测试数据的划分，代码操作如下。

from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size = 0.2)

输出结果如下。

2.3 模型创建与应用

#第一步：导入模型
from sklearn.tree import DecisionTreeClassifier
#第二步：模型初始化
model = DecisionTreeClassifier()
#第三步：模型训练
model.fit(X_train,y_train)
#第四步：模型预测
predictions = model.predict(X_test)
predictions
#第五步：模型评估
from sklearn.metrics import accuracy_score
score = accuracy_score(y_test,predictions)
score

输出结果如下。

如果日后有需要，觉得当前模型得分还行，可以进一步将模型保存本地。（根据个人需要选择）

import joblib
joblib.dump(model,\'iris.joblib\')

输出结果如下。

2.4 模型可视化

有了案例一的操作，对于模型预测的流程和结果可视化就简单了，对前面提及到了五个参数进行修改就可以了，代码如下。

from sklearn import tree
tree.export_graphviz(model,out_file=\'iris.dot\',feature_names=[\'sepal length\', \'sepal width\', \'petal length\', \'petal width\']
                    ,class_names=sorted(y.unique()),label=\'all\',rounded=True,filled=True)

输出结果如下。

对生成的文件，用软件打开后，生成的决策树图形结果如下。也可以参照案例一中的操作，将图片加载到jupyter notebook中，有兴趣可以进行数据的核验。