decision-tree-classifier

Classe “DecisionTreeClassifier” §

O DecisionTreeClassifier é uma classe do módulo sklearn.tree da biblioteca scikit-learn em Python, que implementa o algoritmo de árvore de decisão para classificação. Esse classificador constrói uma árvore de decisão a partir dos dados de treinamento e a utiliza para realizar previsões de classes para novos dados.

Principais Parâmetros:

• criterion: O critério usado para medir a qualidade da divisão na árvore. Pode ser “gini” para usar a impureza de Gini ou “entropy” para usar a entropia. O padrão é “gini”.

• max_depth: A profundidade máxima da árvore. Se definido como None, os nós serão expandidos até que todas as folhas sejam puras ou contenham menos de min_samples_split amostras. O padrão é None.

• min_samples_split: O número mínimo de amostras necessárias para dividir um nó interno. O padrão é 2.

• min_samples_leaf: O número mínimo de amostras necessárias para serem consideradas como folhas. O padrão é 1.

Métodos Principais:

• fit(X, y): Treina o classificador com os dados de treinamento X e os rótulos de classe y.

• predict(X): Realiza previsões de classe para os dados de entrada X com base no modelo treinado.

Exemplo:

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
 
# Carrega o conjunto de dados Iris
data = load_iris()
X, y = data.data, data.target
 
# Divide o conjunto de dados em dados de treinamento e teste
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
 
# Cria o classificador da árvore de decisão
clf = DecisionTreeClassifier()
 
# Treina o classificador com os dados de treinamento
clf.fit(X_train, y_train)
 
# Faz previsões de classe para os dados de teste
y_pred = clf.predict(X_test)
 
# Avalia a acurácia das previsões
accuracy = accuracy_score(y_test, y_pred)
print(f'Acurácia: {accuracy:.2f}')

Neste exemplo, carregamos o conjunto de dados Iris, dividimos em dados de treinamento e teste, criamos e treinamos um classificador DecisionTreeClassifier com os dados de treinamento e, em seguida, realizamos previsões de classe para os dados de teste e calculamos a acurácia das previsões.