机器学习sklearn决策树

决策树是一种常见的分类和回归算法，可以用于解决各种问题，例如预测房价、预测客户是否会流失等。在sklearn中，可以使用DecisionTreeClassifier进行分类问题的建模，DecisionTreeRegressor进行回归问题的建模。

以下是一个简单的示例代码，使用决策树进行分类：

from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

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

# 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)

# 创建决策树分类器
clf = DecisionTreeClassifier(random_state=42)

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = clf.score(X_test, y_test)
print("Accuracy:", accuracy)

在这个例子中，我们加载了鸢尾花数据集，将其划分为训练集和测试集，并使用DecisionTreeClassifier创建了一个决策树分类器。然后，我们训练了模型，并使用测试集进行预测。最后，我们计算了模型的准确率。

注意，这只是一个简单的示例，实际使用中可能需要进行更多的数据预处理、调参等工作来提高模型的性能。