一、实验目的1. 使用python读取文件信息，并获取数据2.获取所需特征数据并绘制图形3.预估决策树深度3.训练决策树模型4.根据决策树模型进行训练并绘制最终图形

实验目的是通过Python来进行数据分析和机器学习操作：

1. **文件读取及数据获取**：首先，你需要导入所需的库如`pandas`和`numpy`，然后使用`read_csv()`或其他函数读取CSV文件，将数据加载到DataFrame中，以便后续处理。

import pandas as pd
data = pd.read_csv('file_name.csv')

2. **特征选择与可视化**：从DataFrame中提取需要的特征，通常使用列名或索引，可以使用Matplotlib或Seaborn库生成直方图、散点图等，帮助理解数据分布。

import matplotlib.pyplot as plt
selected_features = data[['feature1', 'feature2']]
plt.hist(selected_features['feature1'])
# 继续添加其他特征的可视化

3. **决策树预估与深度控制**：使用sklearn库中的`DecisionTreeClassifier`，设置`max_depth`参数来控制决策树的深度。例如，`max_depth=3`表示最大有三层。

from sklearn.tree import DecisionTreeClassifier
tree_model = DecisionTreeClassifier(max_depth=3)

4. **模型训练与绘图**：将数据集分为训练集和测试集，对训练集应用模型，然后利用`plot_tree`方法可视化决策树结构。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(data.drop('target', axis=1), data['target'], test_size=0.2)
tree_model.fit(X_train, y_train)
_ = tree_model.plot_tree()