决策树预测python代码

以下是一个简单的决策树预测的Python代码示例：

from sklearn import tree

# 定义训练数据
# 特征值：[身高，体重，鞋码]
X_train = [[175, 65, 42], [180, 80, 44], [165, 55, 38], [170, 70, 41], [185, 90, 45], [155, 50, 37]]

# 标签值：[0, 1, 0, 1, 1, 0]
y_train = [0, 1, 0, 1, 1, 0]

# 创建决策树模型
clf = tree.DecisionTreeClassifier()

# 使用训练数据拟合模型
clf = clf.fit(X_train, y_train)

# 定义测试数据
# 特征值：[身高，体重，鞋码]
X_test = [[170, 60, 40], [190, 80, 44], [160, 45, 36]]

# 预测测试数据标签
y_pred = clf.predict(X_test)

# 打印预测结果
print(y_pred)

在上面的代码中，首先定义了训练数据和对应的标签值。然后使用`tree.DecisionTreeClassifier()`创建决策树模型，并使用训练数据拟合模型。接着定义测试数据，并使用`clf.predict(X_test)`预测测试数据的标签。最后，打印预测结果。

相关问题

决策树算法python代码

以下是决策树算法的Python代码示例：

# 导入所需的库
from sklearn import tree
from sklearn.datasets import load_iris

# 加载数据集
iris = load_iris()

# 初始化决策树分类器
clf = tree.DecisionTreeClassifier()

# 训练模型
clf.fit(iris.data, iris.target)

# 预测
prediction = clf.predict(iris.data)

# 输出预测结果
print(prediction)

这段代码可以训练一个决策树分类器，并使用它对 Iris 数据集中的数据进行预测。