绘制在鸢尾花数据集上训练的决策树的决策边界

绘制在鸢尾花数据集特征对上训练的决策树的决策边界。

参见 决策树 了解有关估计器的更多信息。

对于每对鸢尾花特征，决策树学习由训练样本推断出的简单阈值规则组合而成的决策边界。

我们还展示了基于所有特征构建的模型的树结构。

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

首先加载scikit-learn附带的鸢尾花数据集副本

from sklearn.datasets import load_iris

iris = load_iris()

显示在所有特征对上训练的树的决策函数。

import matplotlib.pyplot as plt
import numpy as np

from sklearn.datasets import load_iris
from sklearn.inspection import DecisionBoundaryDisplay
from sklearn.tree import DecisionTreeClassifier

# Parameters
n_classes = 3
plot_colors = "ryb"
plot_step = 0.02


for pairidx, pair in enumerate([[0, 1], [0, 2], [0, 3], [1, 2], [1, 3], [2, 3]]):
    # We only take the two corresponding features
    X = iris.data[:, pair]
    y = iris.target

    # Train
    clf = DecisionTreeClassifier().fit(X, y)

    # Plot the decision boundary
    ax = plt.subplot(2, 3, pairidx + 1)
    plt.tight_layout(h_pad=0.5, w_pad=0.5, pad=2.5)
    DecisionBoundaryDisplay.from_estimator(
        clf,
        X,
        cmap=plt.cm.RdYlBu,
        response_method="predict",
        ax=ax,
        xlabel=iris.feature_names[pair[0]],
        ylabel=iris.feature_names[pair[1]],
    )

    # Plot the training points
    for i, color in zip(range(n_classes), plot_colors):
        idx = np.asarray(y == i).nonzero()
        plt.scatter(
            X[idx, 0],
            X[idx, 1],
            c=color,
            label=iris.target_names[i],
            edgecolor="black",
            s=15,
        )

plt.suptitle("Decision surface of decision trees trained on pairs of features")
plt.legend(loc="lower right", borderpad=0, handletextpad=0)
_ = plt.axis("tight")

显示在所有特征上共同训练的单个决策树的结构。

from sklearn.tree import plot_tree

plt.figure()
clf = DecisionTreeClassifier().fit(iris.data, iris.target)
plot_tree(clf, filled=True)
plt.title("Decision tree trained on all the iris features")
plt.show()

相关示例

鸢尾花数据集上的主成分分析(PCA)

鸢尾花数据集上的主成分分析(PCA)

在鸢尾花数据集上绘制多分类SGD

在鸢尾花数据集上绘制多分类SGD

绘制鸢尾花数据集上树集成模型的决策边界

绘制鸢尾花数据集上树集成模型的决策边界

增量PCA

增量PCA