决策树

本练习中，您的任务是使用 scikit-learn 预置的 breast cancer 数据集，借助 DecisionTreeClassifier 构建一个简单的决策树。

该数据集包含来自乳腺活检的肿瘤个体在多个维度上的数值测量（例如周长、纹理等），以及单一的结果变量（肿瘤为恶性或良性）。

我们已将样本（各项测量）预加载到 X，并将每个肿瘤的目标值预加载到 y。现在，您需要将完整数据集拆分为训练集和测试集，然后训练一个 DecisionTreeClassifier。您将指定一个名为 max_depth 的参数。该模型还有许多其他可调整的参数，您可以在这里查看全部参数。

本练习是课程的一部分

使用 XGBoost 的极端梯度提升

查看课程

练习说明

导入：
- 从 sklearn.model_selection 导入 train_test_split。
- 从 sklearn.tree 导入 DecisionTreeClassifier。
创建训练集和测试集，其中 20% 的数据用于测试。将 random_state 设为 123。
实例化名为 dt_clf_4 的 DecisionTreeClassifier，其 max_depth 设为 4。该参数指定在到达叶节点前，最多允许连续的划分层数。
将分类器拟合到训练集，并预测测试集的标签。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Import the necessary modules
____
____

# Create the training and test sets
X_train, X_test, y_train, y_test = ____(____, ____, test_size=____, random_state=____)

# Instantiate the classifier: dt_clf_4
dt_clf_4 = ____

# Fit the classifier to the training set
____

# Predict the labels of the test set: y_pred_4
y_pred_4 = ____

# Compute the accuracy of the predictions: accuracy
accuracy = float(np.sum(y_pred_4==y_test))/y_test.shape[0]
print("accuracy:", accuracy)

编辑并运行代码