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

以下是使用Python实现决策树算法的示例代码：

from sklearn.tree import DecisionTreeClassifier

# 创建决策树分类器
dtc = DecisionTreeClassifier()

# 训练模型
dtc.fit(X_train, y_train)

# 预测结果
y_pred = dtc.predict(X_test)

其中，`X_train`和`y_train`为训练数据集的特征值和目标值，`X_test`为测试数据集的特征值，`y_pred`为预测的目标值。您需要根据具体的数据集进行适当的修改。

决策树python源代码

决策树的Python源代码如下：

from sklearn.tree import DecisionTreeClassifier

# 创建决策树分类器
clf = DecisionTreeClassifier()

# 训练模型
clf.fit(X_train, y_train)

# 预测
y_pred = clf.predict(X_test)

其中，`X_train`和`y_train`是训练数据集的特征和标签，`X_test`是测试数据集的特征。