决策树cart 代码

当然，我可以为您提供一个示例决策树（CART）的代码。以下是一个使用Python的scikit-learn库实现的简单示例：

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
y = iris.target

# 将数据集拆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)

# 初始化决策树分类器
clf = DecisionTreeClassifier()

# 在训练集上训练决策树模型
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("Accuracy:", accuracy)

这个示例使用了鸢尾花数据集（iris）作为示例数据。首先，加载数据集，并将特征存储在`X`中，将目标变量存储在`y`中。然后，使用`train_test_split`函数将数据集拆分为训练集和测试集。接下来，初始化一个决策树分类器`clf`，并在训练集上使用`fit`方法训练模型。最后，使用测试集进行预测，并计算准确率。

请注意，这只是一个简单的示例，您可以根据自己的数据集和需求进行适当的调整和扩展。