将决策树算法用于风力发电的详细代码

以下是一个使用决策树算法应用于风力发电的示例代码：

# 导入需要的包和库
import numpy as np
import pandas as pd
from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score

# 加载数据集
data = pd.read_csv('wind_power.csv')

# 定义特征和目标变量
X = data.drop('power_output', axis=1)
y = data['power_output']

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义决策树回归器
regressor = DecisionTreeRegressor(random_state=42)

# 训练模型
regressor.fit(X_train, y_train)

# 预测测试集
y_pred = regressor.predict(X_test)

# 评估模型
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
r2_score = r2_score(y_test, y_pred)

print("MSE:", mse)
print("RMSE:", rmse)
print("R2 Score:", r2_score)

在这个示例中，我们使用风力发电数据集，将其加载到Pandas DataFrame中。然后，我们定义了特征和目标变量，将数据集分为训练集和测试集，定义了决策树回归器，并训练模型。最后，我们预测测试集并评估模型的性能。