pycharm做决策树机器学习等项目

### 创建和运行决策树机器学习项目 #### 准备工作 为了在 PyCharm 中创建和运行一个基于决策树的机器学习项目，需要先确保已经安装了必要的库。可以通过命令 `pip install numpy scipy matplotlib scikit-learn` 来安装这些依赖项。 #### 创建新项目 打开 PyCharm 后，在启动界面点击 “New Project”，设置好项目的名称以及存储的位置之后，选择合适的 Python 解释器版本，这一步骤对于后续能够顺利调用外部库至关重要[^1]。 #### 添加Python文件 进入新建好的工程目录下，右键单击src文件夹（如果没有则不需要操作），选择 "New -> Python File" 输入想要建立的新脚本的名字比如命名为 `decision_tree.py`。 #### 编写代码 下面是在该文件内编写的一个简单的决策树例子： ```python from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier import graphviz from sklearn import tree def main(): iris = load_iris() X_train, X_test, y_train, y_test = train_test_split( iris.data, iris.target, test_size=0.3, random_state=42) clf = DecisionTreeClassifier(random_state=42) clf.fit(X_train, y_train) dot_data = tree.export_graphviz(clf, out_file=None, feature_names=iris.feature_names, class_names=iris.target_names, filled=True, rounded=True, special_characters=True) graph = graphviz.Source(dot_data) graph.render("iris_decision_tree") # 将生成的图形保存为文件 accuracy = clf.score(X_test, y_test) print(f'Accuracy on the testing set is {accuracy:.2%}') if __name__ == '__main__': main() ``` 这段程序加载了鸢尾花数据集，并将其划分为训练集与测试集；接着构建了一个决策树分类器实例并进行了拟合；最后利用 GraphViz 工具绘制出了决策树结构图，并打印出模型在测试集上的准确性得分[^2]。 #### 配置运行配置 为了让上述编写的 python 文件可以被执行起来，还需要做一点额外的工作——即定义 Run/Debug Configurations 。具体做法是从顶部菜单栏依次选取Run->Edit Configurations... ，再点击左上角加号按钮添加一个新的 Python configuration , 设置 Name 和 Script path 参数即可。 #### 执行项目 一切就绪后就可以按下绿色三角形图标或者通过组合键 Shift+F10 开始执行当前选中的 run/debug configurations 下的任务了。如果一切正常的话，终端会显示出准确率的结果，同时会在指定路径下找到由Graphviz渲染出来的决策树图像文件。