Python AI教程之十一：监督学习之决策树（2）使用 sklearn 进行决策树回归
Python | 使用 sklearn 进行决策树回归
决策树是一种决策工具，它使用类似流程图的树结构，或者说是决策及其所有可能结果（包括结果、投入成本和效用）的模型。
决策树算法属于监督学习算法类别。它适用于连续和分类输出变量。
分支/边表示节点的结果，并且节点具有以下任一特征：
- 条件[决策节点]
- 结果 [结束节点]
分支/边表示语句的真实性/虚假性，并根据以下示例中的说明做出决策，该示例显示了一个评估三个数字中最小值的决策树：
决策树回归：
决策树回归观察对象的特征，并在树结构中训练模型，以预测未来的数据，从而产生有意义的连续输出。连续输出意味着输出/结果不是离散的，即它不是仅由一组离散的已知数字或值表示的。
离散输出示例：预测某一天是否会下雨的天气预测模型。
连续输出示例：说明销售产品可能产生的利润的利润预测模型。
在这里，借助决策树回归模型预测连续值。
让我们看看逐步实施 –
-
步骤1：导入所需的库。
- Python3
| # import numpy package for arrays and stuff import numpy as np
# import matplotlib.pyplot for plotting our result import matplotlib.pyplot as plt
# import pandas for importing csv files import pandas as pd |
-
第 2 步：初始化并打印数据集。
- Python3
| # import dataset # dataset = pd.read_csv('Data.csv') # alternatively open up .csv file to read data
|