决策树python代码案例

决策树是一种常用的机器学习算法，它通过构建一系列规则来进行分类或回归预测。以下是使用Python的sklearn库创建一个简单决策树模型的例子：

# 导入所需的库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data   # 特征数据
y = iris.target # 类别标签

# 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)

# 预测测试集
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy * 100:.2f}%")

# 可视化决策树
import graphviz
dot_data = tree.export_graphviz(clf, out_file=None, feature_names=iris.feature_names, class_names=iris.target_names, filled=True, rounded=True)
graphviz.Source(dot_data).view()   # 如果安装了graphviz库，可以显示可视化结果

这个例子展示了如何使用决策树对鸢尾花数据集进行分类，并查看最终的预测效果以及可视化的决策树结构。