天才一秒记住【畅想小说网】地址：http://www.cxtra.net
可以看到这个决策树在训练数据上的准确率是100%（1.0）。
这表明使用上述算法构建的决策树完全捕捉了训练数据的分类信息。
这也许是因为训练出的决策树确实具有很好的分类效果，但也有可能并不是真正的分类准确率，而是发生了过拟合现象。
为了更好地评估分类准确率，需要使用与训练数据不同的测试数据。
可以抽取全部数据中的一部分作为训练数据，另一部分作为测试数据，使用抽取出的训练数据来构建决策树，然后使用测试数据评估准确率。
这可以通过如下方式来实现。
In[30]fromsklearionimporttrai
In[31]：X_trairairai
（X，Y，test_size=0.2）
#这里将全部样本分成两部分，其中训练样本占80%，测试样本占20%，这
#里采用了随机分割样本的方法，所以读者的输出可能与下面的结果不同
Iree.DeTreeClassifier（）
I（X_train，Y_train）
#利用训练数据来构建决策树
Out[33]：
&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'）
#返回新的决策树的参数
In[34]：Y_prediewclf.predict（X_test）
#注意，这里是将新训练的决策树用在测试样本的X上，并预测出对应Y
In[35]：accuracy_score（Y_test，Y_predict）
Out[35]：1.0
可以看到在测试集上的准确率仍然是100%，这说明这个分类器确实具有很高的准确率。
因为测试数据和训练数据是采用随机划分的方式获得的，读者最后获得的输出结果可能会与此不同。
从上述内容可以看出，决策树实现起来简单并且效果很好。
本书采用最简单的形式实现这个算法，scikit-learn的决策树有很多参数可以调整，读者可以尝试调整决策树的参数，观察分类性能会发生什么改变。
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！