python决策树MSE，f1,特征重要性代码

下面是使用sklearn库中的决策树模型进行训练和预测，并计算MSE、f1和特征重要性的代码示例：

from sklearn.tree import DecisionTreeRegressor, DecisionTreeClassifier
from sklearn.metrics import mean_squared_error, f1_score
import numpy as np

# 创建决策树回归模型
regressor = DecisionTreeRegressor()

# 创建决策树分类模型
classifier = DecisionTreeClassifier()

# 训练模型
X_train = np.array([[0, 0], [1, 1]])
y_train = np.array([0, 1])
regressor.fit(X_train, y_train)
classifier.fit(X_train, y_train)

# 预测结果
X_test = np.array([[2, 2]])
y_pred = regressor.predict(X_test)
y_pred_class = classifier.predict(X_test)

# 计算MSE
mse = mean_squared_error(y_train, regressor.predict(X_train))
print("MSE:", mse)

# 计算f1-score
f1 = f1_score(y_train, classifier.predict(X_train))
print("f1-score:", f1)

# 计算特征重要性
importance = regressor.feature_importances_
print("Feature Importance:", importance)

在上面的代码中，我们首先导入了需要使用的模块和类，然后创建了一个决策树回归模型和一个决策树分类模型。接着，我们使用训练数据对模型进行训练，并使用测试数据进行预测。最后，我们分别计算了MSE、f1-score和特征重要性。