决策树建模python代码

Python 决策树建模示例
导入必要的库
为了构建决策树模型，首先需要导入所需的Python库：
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score, classification_report
登录后复制
加载数据集并预处理
假设有一个Iris鸢尾花数据集作为例子，加载该数据集并对数据进行初步处理。
from sklearn.datasets import load_iris

# 载入 Iris 数据集
data = load_iris()
X = data.data # 特征变量
y = data.target # 目标标签

# 将数据分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
登录后复制
构建决策树模型
创建一个基于CART算法的分类器实例，并利用训练数据对其进行拟合。
clf = DecisionTreeClassifier(criterion='gini') # 使用基尼指数作为标准
clf.fit(X_train, y_train)

# 预测测试集的结果
y_pred = clf.predict(X_test)
登录后复制
模型评估
通过classification_report函数可以获取详细的性能报告，这有助于理解不同类别上的表现情况[^1]。
print("Accuracy:", accuracy_score(y_test, y_pred))
print("\nClassification Report:")
print(classification_report(y_test, y_pred))
登录后复制
上述代码展示了完整的流程，从准备环境到最终得到预测结果以及相应的评价指标。这里特别强调的是，在选择分裂属性时采用了基尼指数这一准则，这是 CART 算法的特点之一[^2]。