决策树做预测模型的代码
时间: 2023-12-30 13:22:59 浏览: 24
以下是一个简单的决策树分类模型的代码实现:
``` python
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target
# 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(criterion='entropy', max_depth=3)
# 拟合模型
clf.fit(X_train, y_train)
# 预测测试集结果
y_pred = clf.predict(X_test)
# 计算准确率
acc = clf.score(X_test, y_test)
# 输出结果
print("预测结果:", y_pred)
print("准确率:", acc)
```
以上代码中,我们使用了Scikit-learn库中的`DecisionTreeClassifier`来构建决策树分类模型。`criterion`参数指定了使用什么指标来选择最佳的分裂特征,这里我们选择了信息熵(entropy)。`max_depth`参数指定了树的最大深度,以避免过拟合。我们还使用了`train_test_split`函数将数据集划分为训练集和测试集。在拟合模型后,我们使用测试集数据进行预测,并计算模型的准确率。