Sklearn 机器学习 决策树 网格搜索获得最优参数

💖亲爱的技术爱好者们，热烈欢迎来到 Kant2048 的博客！我是 Thomas Kant，很开心能在CSDN上与你们相遇～💖

本博客的精华专栏： 【自动化测试】 【测试经验】 【人工智能】 【Python】

Sklearn 机器学习：决策树 + 网格搜索获得最优参数

决策树（Decision Tree）是一种直观、易于理解的机器学习模型，广泛应用于分类与回归任务中。其关键在于超参数设置，不同的配置对模型效果有显著影响。

本文将使用 Sklearn 提供的 GridSearchCV 网格搜索交叉验证工具，系统性地寻找最优参数组合，并在经典的 Iris 鸢尾花数据集 上演示完整流程。

🌱 一、准备工作：加载数据与库

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import classification_report, accuracy_score
import pandas as pd

加载数据并切分训练集与测试集：

# 加载 Iris 数据集
iris = load_iris()
X = iris.data
y = iris.target

# 分层抽样划分训练集与测试集（保持类别分布一致）
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, stratify=y, random_state=42)

# 打印数据概况
print