决策树预测下雨情况python代码

决策树是一种用于分类和回归分析的监督学习模型，在Python中可以使用sklearn库来创建决策树预测模型，比如预测天气是否下雨。下面是一个简单的例子，使用鸢尾花数据集来演示如何预测天气，实际上这不是真正的天气预测，因为我们没有相关的实际天气数据：

# 导入必要的库
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
import pandas as pd

# 假设我们有一个包含历史天气数据的CSV文件，其中有特征如温度、湿度等
# 以及对应的"Rain"标签，0表示不下雨，1表示下雨
data = pd.read_csv('weather_data.csv')

# 预处理数据，通常包括缺失值处理、编码分类变量等
X = data.drop('Rain', axis=1)  # 特征列
y = data['Rain']  # 目标列

# 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)

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

# 使用训练数据拟合模型
clf.fit(X_train, y_train)

# 对测试集进行预测
predictions = clf.predict(X_test)

# 打印一些预测结果
print("Predictions:", predictions[:5])

# 评估模型性能，例如准确率
accuracy = clf.score(X_test, y_test)
print(f"Accuracy: {accuracy}")