决策树模型预测出来的真实值和预测值用散点图画出来代码

可以使用 `scatter` 函数绘制散点图，其中真实值和预测值用不同的颜色来表示。以下是一个示例代码：

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
import matplotlib.pyplot as plt

# 加载数据集
iris = load_iris()
X = iris.data[:, 2:]  # 取花瓣长度和宽度两个特征
y = iris.target

# 训练决策树模型
tree_clf = DecisionTreeClassifier(max_depth=2)
tree_clf.fit(X, y)

# 预测样本标签
y_pred = tree_clf.predict(X)

# 绘制散点图
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.get_cmap('viridis', 3), label='True Label')
plt.scatter(X[:, 0], X[:, 1], c=y_pred, cmap=plt.cm.get_cmap('viridis', 3), marker='x', s=50, label='Predicted Label')
plt.xlabel('Petal Length')
plt.ylabel('Petal Width')
plt.legend()
plt.show()

这段代码首先训练了一个决策树模型，并使用训练数据集 `X` 对其进行预测，得到预测结果 `y_pred`。然后使用 `scatter` 函数绘制散点图，其中 `c` 参数表示颜色映射，`cmap` 参数指定使用的颜色映射类型，`marker` 参数指定预测值使用的标记类型，`s` 参数指定标记的大小。利用 `label` 参数分别标注真实值和预测值的类别。