决策树代码python
时间: 2023-07-02 14:16:56 浏览: 41
以下是一个简单的决策树代码示例,使用sklearn库:
```python
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:
```python
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。