西瓜分类决策树python

决策树是一种常用的机器学习算法，用于分类和回归问题。它通过构建一棵树状结构来进行决策，每个内部节点表示一个特征或属性，每个叶子节点表示一个类别或值。

在Python中，可以使用scikit-learn库来实现决策树算法。下面是一个简单的示例代码，用于构建和训练一个西瓜分类决策树模型：

# 导入所需的库
from sklearn import datasets
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split

# 加载西瓜数据集
data = datasets.load_wine()
X = data.data  # 特征
y = data.target  # 标签

# 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)

# 构建决策树模型
model = DecisionTreeClassifier()

# 训练模型
model.fit(X_train, y_train)

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

# 输出预测结果
print("预测结果：", y_pred)

# 输出模型准确率
accuracy = model.score(X_test, y_test)
print("模型准确率：", accuracy)

这段代码使用了sklearn库中的`DecisionTreeClassifier`类来构建决策树模型，并使用`train_test_split`函数将数据集划分为训练集和测试集。然后，通过调用`fit`方法对模型进行训练，再使用`predict`方法对测试集进行预测。最后，通过`score`方法计算模型在测试集上的准确率。