医疗保险模型决策树代码

医疗保险模型决策树是一种基于机器学习的算法，用于预测患者是否购买医疗保险。它通过构建决策树来分析患者的个人信息、健康状况和保险需求等因素，从而预测患者是否会购买保险。

以下是一个简单的Python代码示例，使用scikit-learn库中的DecisionTreeClassifier类构建医疗保险模型决策树：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 读取数据
data = pd.read_csv('insurance_data.csv')

# 提取特征和标签
X = data.drop('buy_insurance', axis=1)
y = data['buy_insurance']

# 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)

# 创建决策树模型
clf = DecisionTreeClassifier()

# 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 = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

在这个示例中，我们首先导入所需的库，然后读取包含患者信息和购买保险记录的数据集。接着，我们将数据集划分为训练集和测试集，以便在训练模型后评估其性能。最后，我们使用DecisionTreeClassifier类创建一个决策树模型，并使用训练集对其进行训练。在模型训练完成后，我们使用测试集进行预测，并计算预测结果的准确率。