boston 决策树python代码

Boston决策树是一种用于回归问题的决策树算法，它可以根据已知的训练数据，构建出一棵决策树来预测新数据的结果。

在Python中，可以使用scikit-learn库来实现Boston决策树算法。以下是一个简单的代码示例：

# 导入所需库和数据
from sklearn.datasets import load_boston
from sklearn.tree import DecisionTreeRegressor

boston = load_boston()
X = boston.data
y = boston.target

# 构建决策树模型
dt = DecisionTreeRegressor(max_depth=3)
dt.fit(X, y)

# 预测新数据
new_data = [[6.5, 20, 6, 1, 300, 15, 30, 5, 10, 320, 15, 20, 10]]
print(dt.predict(new_data))

这段代码首先导入了scikit-learn库和Boston房价数据集，然后将数据集中的自变量和因变量分别赋值给X和y。接着，使用DecisionTreeRegressor类构建了一个最大深度为3的决策树模型，并使用fit()方法拟合了训练数据。

最后，使用predict()方法对新数据进行预测，并输出预测结果。