- CART 决策树模型
每个节点可以选择的分界条件很多，比如 $^ { 4 \prime } \mathrm { X } 1 > 5 0 ^ { 9 \cdot 3 } \phantom { ^ { 4 } \mathrm { X } 2 > 3 } ^ { 4 } \mathrm { X } 3 = \mathrm { F a l s e } ^ { 9 }$ 等。我们需要从所有分界点中选择给我们带来信息收益增量最大的一个。下面通过一个应用案例（鸢尾花种类识别）来说明CART算法。
首先，读取iris数据，这里读取的是本地的CSV文件：
回顾一下，这个数据集包括花瓣长度（PetalLenthCm）、花茎长度（SepalLenthCm）、花瓣宽度（PetalWidthCm）和花茎宽度（SepalWidthCm）四个连续型特征，一个包括3种分类类别的目标变量（Species），如图6-25所示。
原始数据包括150个样本，我们将120个样本用于训练集，其余当作测试集：
构建决策树：
tree.DecisionTreeClassifier()是这个算法的核心模块。这里我们并没有在括号里向模型传递参数，所有参数均为默认值。DecisionTreeClassifier()可以接受以下arguments:
树的最大优点在于可视化的直观性。我们可以用graphviz程序包进行树模型的可视化。要使用这个工具，就要在控制台中安装 graphviz。以Anaconda prompt为例，打开Anaconda prompt,输入如下指令：
人工智能与大数据技术导论
180