企业官网建设流程全解析

决策树算法五实验：文本树可视化、特征重要性与剪枝扫描（sklearn 实测）

决策树是机器学习入门第一棵树，但多数教程止步于 fit + score。本文五个实验覆盖训练、可解释性、调参、交叉验证全流程，sklearn 真实数据集（酒瘾+乳腺癌）真实运行。

一、五实验总览

二、max_depth=3 是甜蜜点

depth=2 欠拟合（0.889），depth=3 首次达 0.9630，继续加深训练集到 1.0 但测试不动——过拟合的特征是训练/测试分离。决策树调参第一步就是扫 max_depth。

三、特征重要性：可解释是决策树的核心竞争力

Top5 中 flavanoids（0.40）+ color_intensity（0.40）合计 80%。export_text 输出的文本树可直接贴技术文档——这是黑盒模型无法替代的。

四、min_samples_split 不敏感

2→50 扫描 CV 波动 <0.7%——决策树的这个参数很鲁棒，默认值即可。

五、复现指南

pip install scikit-learn 后 python tree_lab.py 一条命令复现。源码约 60 行注释详尽。

tree_lab.py 一条命令复现。源码约 60 行注释详尽。

📦配套完整资源已整理上传：点击查看资源包（含决策树五实验源码与运行留档，开箱即跑）