python决策树糖尿病

以下是使用Python实现决策树分类预测糖尿病的示例代码：

# 导入所需的库和数据集
import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn import metrics

diabetes = pd.read_csv("diabetes.csv")

# 将数据集分为特征和目标变量
X = diabetes.drop('Outcome', axis=1)
y = diabetes['Outcome']

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1)

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

# 在训练集上训练决策树模型
clf = clf.fit(X_train,y_train)

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

# 计算模型的准确率
print("Accuracy:",metrics.accuracy_score(y_test, y_pred))

该示例代码使用了sklearn库中的DecisionTreeClassifier类来创建决策树分类器对象，并使用Pandas库中的read_csv函数读取了一个名为diabetes.csv的数据集。然后，将数据集分为特征和目标变量，并使用train_test_split函数将数据集分为训练集和测试集。接下来，使用fit函数在训练集上训练决策树模型，并使用predict函数在测试集上进行预测。最后，使用accuracy_score函数计算模型的准确率。