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

决策树分类预测python代码？

以下是使用Python中的scikit-learn库实现决策树分类预测的示例代码：

# 导入需要的库
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

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

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集结果
y_pred = clf.predict(X_test)

# 计算准确率
score = clf.score(X_test, y_test)
print("准确率：", score)

代码中首先导入需要的库，然后加载iris数据集，并将数据集划分为训练集和测试集。接着，创建决策树分类器，并使用训练数据对其进行训练。最后，使用测试数据进行预测，并计算模型的准确率。需要注意的是，在实际应用中，还需要对模型进行调参以优化模型性能。

决策树的python代码

当然，我可以为您提供决策树的Python代码示例。以下是一个简单的例子：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 加载数据集
iris = datasets.load_iris()
X = iris.data  # 特征
y = iris.target  # 目标变量

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

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

# 在训练集上训练模型
clf.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = clf.predict(X_test)

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

以上代码使用了sklearn库中的DecisionTreeClassifier来构建决策树分类器，然后使用Iris数据集进行训练和测试。最后，计算预测结果的准确率并打印输出。

希望这个例子可以帮助到您！如果您有任何其他问题，请随时提问。