根据现实生活中的原型自己创建一个简单的决策树，要求用这个决策树能解决实际分类决策问题 用Python写尽可能丰富些

假设有一个决策树用来判断一家公司是否应该招聘某个应聘者，以下是该决策树的结构：

1. 学历是否符合要求？
    1.1 是，转到2
    1.2 否，拒绝该应聘者
2. 工作经验是否符合要求？
    2.1 是，转到3
    2.2 否，拒绝该应聘者
3. 是否具有相关技能？
    3.1 是，转到4
    3.2 否，拒绝该应聘者
4. 是否有推荐信？
    4.1 是，聘用该应聘者
    4.2 否，转到5
5. 该应聘者是否接受培训？
    5.1 是，聘用该应聘者
    5.2 否，拒绝该应聘者

现在，我们用 Python 来实现这个决策树：

class DecisionTree:
    def __init__(self):
        self.tree = {
            '学历是否符合要求？': {
                '是': {
                    '工作经验是否符合要求？': {
                        '是': {
                            '是否具有相关技能？': {
                                '是': {
                                    '是否有推荐信？': {
                                        '是': '聘用该应聘者',
                                        '否': {
                                            '该应聘者是否接受培训？': {
                                                '是': '聘用该应聘者',
                                                '否': '拒绝该应聘者'
                                            }
                                        }
                                    }
                                },
                                '否': '拒绝该应聘者'
                            }
                        },
                        '否': '拒绝该应聘者'
                    }
                },
                '否': '拒绝该应聘者'
            }
        }

    def predict(self, data):
        node = self.tree
        while isinstance(node, dict):
            key = list(node.keys())[0]
            value = data[key]
            node = node[key][value]
        return node

这里我们定义了一个 `DecisionTree` 类，并在初始化函数中定义了决策树的结构。然后定义了一个 `predict` 方法，接受输入数据，按照决策树的结构进行预测，并返回预测结果。