.. DO NOT EDIT.
.. THIS FILE WAS AUTOMATICALLY GENERATED BY SPHINX-GALLERY.
.. TO MAKE CHANGES, EDIT THE SOURCE PYTHON FILE:
.. "auto_examples/tree/plot_iris_dtc.py"
.. LINE NUMBERS ARE GIVEN BELOW.

.. only:: html

    .. note::
        :class: sphx-glr-download-link-note

        :ref:`Go to the end <sphx_glr_download_auto_examples_tree_plot_iris_dtc.py>`
        to download the full example code. or to run this example in your browser via JupyterLite or Binder

.. rst-class:: sphx-glr-example-title

.. _sphx_glr_auto_examples_tree_plot_iris_dtc.py:


=======================================================================
رسم سطح القرار لأشجار القرار المدربة على مجموعة بيانات الزهرة الآرغوانية
=======================================================================

ارسم سطح القرار لشجرة قرار مدربة على أزواج
من ميزات مجموعة بيانات الزهرة الآرغوانية.

راجع :ref:`decision tree <tree>` لمزيد من المعلومات حول أداة التقدير.

بالنسبة لكل زوج من ميزات الزهرة الآرغوانية، تتعلم شجرة القرار حدود القرار
المكونة من مجموعات من قواعد العتبة البسيطة المستنبطة من
عينات التدريب.

نحن أيضًا نعرض بنية الشجرة لنموذج مبني على جميع الميزات.

.. GENERATED FROM PYTHON SOURCE LINES 17-21

.. code-block:: Python


    # المؤلفون: مطوري سكايلرن
    # معرف الترخيص: BSD-3-Clause








.. GENERATED FROM PYTHON SOURCE LINES 22-23

قم أولاً بتحميل نسخة مجموعة بيانات الزهرة الآرغوانية المرفقة مع سكايلرن:

.. GENERATED FROM PYTHON SOURCE LINES 23-28

.. code-block:: Python

    from sklearn.datasets import load_iris

    iris = load_iris()









.. GENERATED FROM PYTHON SOURCE LINES 29-30

عرض وظائف القرار للأشجار المدربة على جميع أزواج الميزات.

.. GENERATED FROM PYTHON SOURCE LINES 30-80

.. code-block:: Python

    import matplotlib.pyplot as plt
    import numpy as np

    from sklearn.datasets import load_iris
    from sklearn.inspection import DecisionBoundaryDisplay
    from sklearn.tree import DecisionTreeClassifier

    # المعاملات
    n_classes = 3
    plot_colors = "ryb"
    plot_step = 0.02


    for pairidx, pair in enumerate([[0, 1], [0, 2], [0, 3], [1, 2], [1, 3], [2, 3]]):
        # نأخذ فقط الميزتين المقابلتين
        X = iris.data[:, pair]
        y = iris.target

        # التدريب
        clf = DecisionTreeClassifier().fit(X, y)

        # رسم حدود القرار
        ax = plt.subplot(2, 3, pairidx + 1)
        plt.tight_layout(h_pad=0.5, w_pad=0.5, pad=2.5)
        DecisionBoundaryDisplay.from_estimator(
            clf,
            X,
            cmap=plt.cm.RdYlBu,
            response_method="predict",
            ax=ax,
            xlabel=iris.feature_names[pair[0]],
            ylabel=iris.feature_names[pair[1]],
        )

        # رسم نقاط التدريب
        for i, color in zip(range(n_classes), plot_colors):
            idx = np.where(y == i)
            plt.scatter(
                X[idx, 0],
                X[idx, 1],
                c=color,
                label=iris.target_names[i],
                edgecolor="black",
                s=15,
            )

    plt.suptitle("سطح القرار لأشجار القرار المدربة على أزواج من الميزات")
    plt.legend(loc="lower right", borderpad=0, handletextpad=0)
    _ = plt.axis("tight")




.. image-sg:: /auto_examples/tree/images/sphx_glr_plot_iris_dtc_001.png
   :alt: سطح القرار لأشجار القرار المدربة على أزواج من الميزات
   :srcset: /auto_examples/tree/images/sphx_glr_plot_iris_dtc_001.png
   :class: sphx-glr-single-img





.. GENERATED FROM PYTHON SOURCE LINES 81-83

عرض بنية شجرة قرار واحدة مدربة على جميع الميزات
معًا.

.. GENERATED FROM PYTHON SOURCE LINES 83-89

.. code-block:: Python

    from sklearn.tree import plot_tree

    plt.figure()
    clf = DecisionTreeClassifier().fit(iris.data, iris.target)
    plot_tree(clf, filled=True)
    plt.title("شجرة القرار المدربة على جميع ميزات الزهرة الآرغوانية")
    plt.show()


.. image-sg:: /auto_examples/tree/images/sphx_glr_plot_iris_dtc_002.png
   :alt: شجرة القرار المدربة على جميع ميزات الزهرة الآرغوانية
   :srcset: /auto_examples/tree/images/sphx_glr_plot_iris_dtc_002.png
   :class: sphx-glr-single-img






.. rst-class:: sphx-glr-timing

   **Total running time of the script:** (0 minutes 1.593 seconds)


.. _sphx_glr_download_auto_examples_tree_plot_iris_dtc.py:

.. only:: html

  .. container:: sphx-glr-footer sphx-glr-footer-example

    .. container:: binder-badge

      .. image:: images/binder_badge_logo.svg
        :target: https://mybinder.org/v2/gh/scikit-learn/scikit-learn/main?urlpath=lab/tree/notebooks/auto_examples/tree/plot_iris_dtc.ipynb
        :alt: Launch binder
        :width: 150 px

    .. container:: lite-badge

      .. image:: images/jupyterlite_badge_logo.svg
        :target: ../../lite/lab/index.html?path=auto_examples/tree/plot_iris_dtc.ipynb
        :alt: Launch JupyterLite
        :width: 150 px

    .. container:: sphx-glr-download sphx-glr-download-jupyter

      :download:`Download Jupyter notebook: plot_iris_dtc.ipynb <plot_iris_dtc.ipynb>`

    .. container:: sphx-glr-download sphx-glr-download-python

      :download:`Download Python source code: plot_iris_dtc.py <plot_iris_dtc.py>`

    .. container:: sphx-glr-download sphx-glr-download-zip

      :download:`Download zipped: plot_iris_dtc.zip <plot_iris_dtc.zip>`


.. include:: plot_iris_dtc.recommendations


.. only:: html

 .. rst-class:: sphx-glr-signature

    `Gallery generated by Sphinx-Gallery <https://sphinx-gallery.github.io>`_