决策树算法回归问题代码

决策树算法可以用于回归问题。下面是一个使用Python实现的决策树回归问题的代码示例[^2]：

from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeRegressor
from sklearn.metrics import mean_squared_error

# 加载波士顿房价数据集
boston = load_boston()
X = boston.data
y = boston.target

# 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)

# 创建决策树回归模型
model = DecisionTreeRegressor()

# 在训练集上训练模型
model.fit(X_train, y_train)

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

# 计算均方误差
mse = mean_squared_error(y_test, y_pred)
print("Mean Squared Error:", mse)

这段代码使用了scikit-learn库中的`DecisionTreeRegressor`类来创建决策树回归模型。首先，加载了波士顿房价数据集，并将数据集划分为训练集和测试集。然后，创建了一个决策树回归模型，并在训练集上进行训练。最后，使用训练好的模型对测试集进行预测，并计算预测结果与真实值之间的均方误差。