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、五实验总览实验内容实测E1酒瘾 max_depth4测试 0.9630export_text 可视化E2特征重要性 Top5flavanoids 0.4049 / color_intensity 0.3968E3max_depth 扫描depth≥3 稳定 0.9630E4乳腺癌 5 折 CV0.9173±0.0242E5min_samples_split 扫描波动 0.7%二、max_depth3 是甜蜜点depth2 欠拟合0.889depth3 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 flavanoids0.40 color_intensity0.40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