简单明了的数据挖掘决策树分类预测自己写的代码

好的，下面是一个简单的决策树分类预测的 Python 代码示例：

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 读取数据集
data = pd.read_csv('data.csv')

# 分离特征和标签
X = data.drop('label', axis=1)
y = data['label']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练决策树模型
model = DecisionTreeClassifier()
model.fit(X_train, y_train)

# 预测测试集结果
y_pred = model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print('准确率：', accuracy)

其中，数据集文件名为 data.csv，特征列为除标签列外的所有列，标签列为 label 列。代码中使用了 scikit-learn 库中的 DecisionTreeClassifier 类来训练决策树模型，并使用 train_test_split 函数将数据集划分为训练集和测试集。最后，计算模型在测试集上的准确率并输出。