决策树对预测值和真实值做散点图代码

以下是使用Python代码绘制决策树预测值和真实值的散点图的示例：

import matplotlib.pyplot as plt
import numpy as np
from sklearn.tree import DecisionTreeRegressor

# 训练数据集
X_train = np.array([[1], [2], [3], [4], [5], [6], [7], [8], [9], [10]])
y_train = np.array([2, 4, 6, 8, 10, 12, 14, 16, 18, 20])

# 测试数据集
X_test = np.array([[0.5], [1.5], [2.5], [3.5], [4.5], [5.5], [6.5], [7.5], [8.5], [9.5]])

# 创建决策树模型
tree = DecisionTreeRegressor(max_depth=2)
tree.fit(X_train, y_train)

# 对测试数据进行预测
y_pred = tree.predict(X_test)

# 绘制散点图
plt.scatter(X_test, y_pred, color='red', label='Predicted Values')
plt.scatter(X_test, tree.predict(X_test), color='blue', label='True Values')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Decision Tree Regression')
plt.legend()
plt.show()

在这个示例中，我们使用了一个简单的训练数据集和测试数据集来创建和测试决策树回归模型。我们使用matplotlib库中的scatter函数来绘制散点图，其中红色点代表模型预测的值，蓝色点代表真实的值。通过比较这两组点的位置和分布，我们可以直观地看出模型的预测效果和准确性。