决策树回归python

在Python中，可以使用scikit-learn库来实现决策树回归。下面是一个简单的示例：

from sklearn.tree import DecisionTreeRegressor
import numpy as np

# 创建一个示例数据集
X = np.array([[1, 2], [3, 4], [5, 6]])
y = np.array([3, 4, 5])

# 创建并拟合决策树回归模型
model = DecisionTreeRegressor()
model.fit(X, y)

# 使用模型进行预测
new_data = np.array([[2, 3], [4, 5]])
predictions = model.predict(new_data)
print(predictions)

在这个示例中，我们使用了一个简单的数据集X和对应的目标值y。我们创建了一个DecisionTreeRegressor对象，并使用fit方法来拟合模型。然后，我们使用predict方法来对新的数据new_data进行预测，并将预测结果打印出来。

需要注意的是，决策树回归是一种非常灵活的模型，可以用于处理连续型的目标变量。它基于特征的值将数据分成不同的区域，并为每个区域预测一个目标值。这使得决策树回归在处理非线性关系时非常有用。