决策树模型python代码

决策树是一种常见的机器学习算法，用于分类和回归分析。在Python中，我们可以使用scikit-learn库中的`DecisionTreeClassifier`或`DecisionTreeRegressor`来构建决策树模型。这里是一个简单的例子，展示如何使用决策树对鸢尾花数据集做分类：

# 导入必要的库
from sklearn.datasets import load_iris
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 = load_iris()
X = iris.data
y = iris.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)

# 创建并训练决策树模型
clf = DecisionTreeClassifier()
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("Accuracy:", accuracy)

# 可视化决策树（需要安装graphviz）
try:
    from sklearn.tree import export_graphviz
    import graphviz
    dot_data = export_graphviz(clf, out_file=None, feature_names=iris.feature_names, class_names=iris.target_names, filled=True, rounded=True)
    graph = graphviz.Source(dot_data)
    graph.view()  # 如果在Jupyter notebook中运行，可以查看可视化结果
except ImportError:
    print("To visualize the tree, install graphviz.")

这个示例首先加载数据，划分训练集和测试集，然后创建并训练了一个决策树分类器。最后，它预测了测试集的结果，并计算了分类的准确性。