python 决策树

Python提供了多种库来实现决策树，其中最常用的是scikit-learn库。使用scikit-learn库中的DecisionTreeClassifier类可以实现分类决策树，使用DecisionTreeRegressor类可以实现回归决策树。

以下是一个简单的示例代码，演示了如何使用scikit-learn库中的DecisionTreeRegressor类来构建回归决策树模型并进行预测：

from sklearn.tree import DecisionTreeRegressor

X = [[1,2],[3,4],[5,6],[7,8],[9,10]]
y = [1,2,3,4,5]

model = DecisionTreeRegressor(max_depth=2, random_state=0)
model.fit(X, y)

prediction = model.predict([[9,9]])
print(prediction)  # 输出 [4.5]

在这个示例中，我们首先导入了DecisionTreeRegressor类，然后定义了训练数据X和对应的目标值y。接下来，我们创建了一个DecisionTreeRegressor对象，并通过fit()方法对模型进行训练。最后，我们使用predict()方法对新的数据[[9,9]]进行预测，并打印出预测结果[4.5]。

决策树的概念并不复杂，它主要通过连续的逻辑判断得出最后的结论。在每个节点上，决策树会根据某个属性的取值将数据集划分成不同的子集。划分的方法可以是基于Gini系数的CART决策树算法，Gini系数可以测量数据集的纯度。通过不断划分和递归建立决策树的过程，最终得到一棵具有判断能力的树形结构。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* [决策树（python）](https://blog.csdn.net/herry57/article/details/125431770)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
- *2* *3* [决策树模型及案例（Python）](https://blog.csdn.net/qq_42433311/article/details/124171221)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]