《人工智能导论》实验3 决策树分类与 K 均值聚类.docxVIP

实验3决策树分类与K均值聚类

一、实验目的及要求

理解决策树分类算法的基本思想，掌握使用scikit-learn构建决策树模型的方法。

理解决策树的可解释性优势，能够对生成的决策树进行可视化解读，并据此说明模型“为什么做出某种预测”。

理解无监督学习中聚类任务的基本思想，掌握K均值聚类算法的实现步骤（初始化、分配、更新、迭代）。

掌握肘部法则（ElbowMethod）确定聚类数K的方法，能够对聚类结果进行可视化与业务解释。

理解PCA降维在可视化高维数据、辅助聚类分析中的作用。

二、实验学时

2学时（建议时间分配：讲解10分钟，任务实践80分钟，总结报告10分钟）

三、实验前准备

软件环境：Python3.8及以上，建议使用JupyterNotebook或VSCode。

依赖库：NumPy、Pandas、Matplotlib、scikit-learn。安装命令如下：

pipinstallnumpypandasmatplotlibscikit-learn

知识储备：已学习教材第4.3.2节（无监督学习）与4.4.3、4.4.4节（决策树、K均值聚类）。

四、实验任务

任务1决策树水果分类（35分钟）

使用教材表4-8的水果识别数据（颜色、大小、形状、真实类别），构建决策树分类器。将类别特征编码后训练模型