sklearn实现决策树

您可以使用 sklearn 库来实现决策树算法。以下是一个使用 sklearn 的决策树分类器的示例代码：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

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

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

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

# 在训练集上训练模型
clf.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = clf.predict(X_test)

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

在这个示例中，我们加载了鸢尾花数据集，将其划分为训练集和测试集。然后，我们创建了一个决策树分类器并在训练集上进行训练。最后，我们使用训练好的模型对测试集进行预测，并计算预测的准确率。

请注意，这只是一个简单的示例，您可以根据自己的数据和需求进行相应的修改和调整。