使用Python的`DecisionTreeClassifier`从scikit-learn库来训练一个决策树模型,并对新的数据点进行分类。 把代码整合到一起
时间: 2024-10-19 17:08:16 浏览: 0
当然可以。在Python中,我们可以使用scikit-learn库中的`DecisionTreeClassifier`来创建、训练并测试一个决策树模型。下面是一个简单的例子,展示了如何完成这个过程:
```python
# 导入所需的库
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(这里假设我们用鸢尾花数据集为例)
iris = datasets.load_iris()
X = iris.data # 特征
y = iris.target # 标签
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# 创建决策树分类器
clf = DecisionTreeClassifier()
# 训练模型
clf.fit(X_train, y_train)
# 预测新数据点
new_data_point = [[5.1, 3.5, 1.4, 0.2]] # 假设这是新样本的特征值,替换为实际数据
prediction = clf.predict(new_data_point)
# 打印预测结果
print("预测类别:", prediction[0])
# 计算模型在测试集上的准确率
accuracy = accuracy_score(y_test, clf.predict(X_test))
print("模型测试集准确率:", accuracy)
阅读全文