决策树ch4.5算法python代码

决策树算法是一种常用的机器学习算法，其主要用于分类和回归任务。在Python中，可以使用scikit-learn库的DecisionTreeClassifier类来实现决策树算法。

以下是一个简单的决策树算法的Python代码示例：

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

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

# 将数据集拆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
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)

# 评估模型性能
print("准确率:", metrics.accuracy_score(y_test, y_pred))

以上代码首先导入所需的库，包括`datasets`模块来加载数据集，`train_test_split`模块来拆分训练集和测试集，`DecisionTreeClassifier`类用于创建决策树分类器，`metrics`模块用于评估模型性能。

然后，加载鸢尾花数据集，并将数据集分为特征和目标变量。接下来，将数据集拆分为训练集和测试集，其中测试集占总样本的30%。

然后，创建决策树分类器对象，并在训练集上训练模型。最后，使用训练好的模型对测试集进行预测，并通过准确率评估模型的性能。

这是一个简单的决策树算法的Python代码示例，你可以根据自己的需求进行扩展和修改。