决策树代码python

以下是一个简单的决策树代码示例，使用sklearn库：

from sklearn import tree

# 准备数据
features = [[140, 1], [130, 1], [150, 0], [170, 0]]  # 特征：重量（克），表面光滑（1）或粗糙（0）
labels = [0, 0, 1, 1]  # 标签：苹果（0）或橙子（1）

# 训练模型
clf = tree.DecisionTreeClassifier()
clf = clf.fit(features, labels)

# 预测
print(clf.predict([[160, 0]]))  # 预测一枚重160克、表面粗糙的水果是什么

输出：

[1]

这表示这枚水果被预测为橙子。

相关问题

数据挖掘决策树代码python

以下是一个简单的数据挖掘决策树的Python代码示例：

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载数据集
data = pd.read_csv('data.csv')

# 分割数据集为训练集和测试集
X = data.drop('target', axis=1)
y = data['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 创建决策树模型
model = DecisionTreeClassifier()

# 训练模型
model.fit(X_train, y_train)

# 预测测试集
y_pred = model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print('准确率:', accuracy)

其中，`data.csv` 是数据集文件名，`target` 是目标变量名称。你需要根据你自己的数据集来修改这些参数。此外，你也可以使用其他的机器学习框架来实现决策树模型，例如 scikit-learn、TensorFlow 等。

决策树代码python例题经典案例

决策树是一种常用的机器学习算法，可以用于分类和回归问题。下面是一个基于Python的决策树代码的经典案例：

案例描述：假设我们有一个数据集，包含一些商店的信息，其中每条记录包含商店的名称、位置、面积和是否是连锁店等属性。我们的目标是根据这些属性预测商店的类别，即是普通商店还是连锁店。

代码实现：

首先，导入所需的库：

import pandas as pd
from sklearn import tree

然后加载数据集：

data = pd.read_csv('shop_data.csv')

接下来，将数据集划分为特征和目标变量：

X = data.drop(['类别'], axis=1)
y = data['类别']

使用LabelEncoder将目标变量编码为数值：

from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
y = le.fit_transform(y)

初始化决策树分类器：

clf = tree.DecisionTreeClassifier()

使用fit方法拟合数据：

clf.fit(X, y)

通过调用predict方法，可以使用训练好的决策树模型进行预测：

new_data = pd.DataFrame({'名称': ['商店A'], '位置': ['城市中心'], '面积': ['大'], '连锁': ['是']})
prediction = clf.predict(new_data)

最后，将预测结果转换为对应的标签：

predicted_class = le.inverse_transform(prediction)
print(predicted_class)

这段代码使用决策树模型对给定的商店信息进行分类预测。