用决策树训练模型
时间: 2023-08-07 15:19:00 浏览: 45
决策树是一种基于树结构的分类和回归模型,可以用于解决多种机器学习问题。在 Python 中,可以使用 scikit-learn 库中的 DecisionTreeRegressor 类来构建决策树回归模型。
下面是使用决策树回归模型进行房价预测的示例代码:
```python
from sklearn.datasets import load_boston
from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
# 加载波士顿房价数据集
boston = load_boston()
X, y = boston.data, boston.target
# 数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 构建决策树回归模型
tree_reg = DecisionTreeRegressor(random_state=42)
tree_reg.fit(X_train, y_train)
# 在测试集上进行预测并计算均方误差
y_pred = tree_reg.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print("均方误差:", mse)
```
在上面的代码中,我们首先加载了波士顿房价数据集,然后将其划分为训练集和测试集。接着,我们使用 DecisionTreeRegressor 类构建了一个决策树回归模型,并在训练集上进行训练。最后,我们使用模型在测试集上进行预测,并计算了预测结果与真实值之间的均方误差。
需要注意的是,决策树模型容易出现过拟合的情况,因此在使用决策树模型时需要注意调整模型参数或进行模型正则化等措施来避免过拟合。