29 lines
1.1 KiB
Python
29 lines
1.1 KiB
Python
# Importiere die notwendigen Bibliotheken
|
|
from sklearn.tree import DecisionTreeClassifier, plot_tree
|
|
import matplotlib.pyplot as plt
|
|
|
|
# Erstelle ein Beispiel-Array (Tabelle) für Training
|
|
data = [
|
|
[20, 65, 10, 0, 1], # Schönes Wetter, wir spielen Fußball
|
|
[25, 80, 5, 1, 0], # Es regnet, wir spielen nicht
|
|
[18, 70, 15, 0, 1], # Noch gutes Wetter, wir spielen
|
|
[10, 90, 20, 1, 0], # Kalt und regnerisch, wir spielen nicht
|
|
[15, 85, 25, 0, 0], # Zu windig, wir spielen nicht
|
|
[22, 60, 5, 0, 1], # Schönes Wetter, wir spielen
|
|
[30, 50, 10, 0, 0], # Zu heiß, wir spielen nicht
|
|
[20, 70, 8, 0, 1] # Schönes Wetter, wir spielen
|
|
]
|
|
|
|
# Trenne die Merkmale (Features) und das Ziel (Target)
|
|
X = [row[:-1] for row in data]
|
|
y = [row[-1] for row in data]
|
|
|
|
# Erstelle und trainiere den Entscheidungsbaum
|
|
tree_classifier = DecisionTreeClassifier()
|
|
tree_classifier.fit(X, y)
|
|
|
|
# Visualisiere den Baum
|
|
plt.figure(figsize=(10, 7))
|
|
plot_tree(tree_classifier, filled=True, feature_names=['Temperatur', 'Luftfeuchtigkeit', 'Windgeschwindigkeit', 'Regen'], class_names=['Nicht spielen', 'Spielen'],fontsize=10)
|
|
plt.show()
|