天才一秒记住【畅想小说网】地址：http://www.cxtra.net
这是一个循环程序，其中的ord（）函数负责转化功能。
In[21]：fe（0，8123）：
fe（0，22）：
&a[i，j]=ord（a[i，j]）
新的训练数据为
Ia
接下来就可以构造决策树并用于分类了，输出的是描述所生成的决策树的参数。
In[23]：clf=tree.DeTreeClassifier（）
In[24]：clf.fit（X，Y）
Out[24]：
&reeClassifier（class_weight=erion='gini'，
max_depth=None，
max_features=None，max_leaf_nodes=None，
min_impurity_split=1e-07，min_samples_leaf=1，
mi=2，mi_fra_leaf=0.0，
&=False，random_state=er='best'）
使用决策树用于新数据的分类，可以看到对下列4个新的蘑菇数据进行分类后，输出结果表明其中有3种是可食用的，1种是有毒的。
I=np.anay（[[…]，[…]，[…]，[…]]）
np.anay（[[120，115，121，...，110，110，103]，
[98，115，119，...，110，110，109]，
[120，121，119，...，107，115，117]，
[120，115，103，...，110，97，103]]）
In[26]：clf.predict（test）
Out[26]：array（[1，1，0，1]）
这个决策树的准确率如何呢？一种简单的方法是使用训练数据中的X，用决策树获得对应的类别标记，也就是预测分类结果（这里用Y_predict表示），然后把它和实际的类别标记Y进行比较。
scikit-learn支持这样的比较，使用的方法是accuracy_score。
In[27]：fromsklearricsimportaccuracy_score
In[28]：Y_predict=clf.predict（X）
#这里使用前面训练好的决策树，输入训练样本的X，给出对应的predict
In[29]：accuracy_score（Y，Y_predict）
#这里利用accuracy_score来比较预测值和真实值。
Out[29]：1.0
本章未完，请点击下一章继续阅读！若浏览器显示没有新章节了，请尝试点击右上角↗️或右下角↘️的菜单，退出阅读模式即可，谢谢！