写一个决策树的python代码

import numpy as np
from sklearn import tree# [Height, Weight, Shoe Size]
X = [[181, 80, 44], [177, 70, 43], [160, 60, 38], [154, 54, 37], [166, 65, 40],
[190, 90, 47], [175, 64, 39],
[177, 70, 40], [159, 55, 37], [171, 75, 42], [181, 85, 43]]Y = ['male', 'male', 'female', 'female', 'male', 'male', 'female', 'female',
'female', 'male', 'male']# Create a Decision Tree Classifier
clf = tree.DecisionTreeClassifier()
clf = clf.fit(X,Y)prediction = clf.predict([[190, 70, 43]])print(prediction)

相关问题

写一个Python决策树代码

以下是一个简单的Python决策树代码示例：

from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = load_iris()

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=42)

# 创建决策树模型
clf = DecisionTreeClassifier(random_state=42)

# 训练模型
clf.fit(X_train, y_train)

# 在测试集上进行预测并计算准确率
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)

print("决策树模型的准确率为：", accuracy)

在这个示例中，首先我们使用`load_iris()`函数加载了鸢尾花数据集，然后使用`train_test_split()`函数将数据集划分为训练集和测试集。接着我们使用`DecisionTreeClassifier`类创建了一个决策树模型，使用`fit()`方法在训练集上训练模型。最后在测试集上使用`predict()`方法进行预测，并使用`accuracy_score()`函数计算模型的准确率。

用python写一个决策树代码

在 Python 中实现决策树需要使用一些机器学习库，例如 scikit-learn。

以下是一个简单的决策树代码示例：

from sklearn import tree

# 训练数据
# 设定每个样本的特征为 [年龄, 是否有工作, 是否有房子]
X = [[30, 1, 0], [20, 1, 1], [35, 0, 1], [40, 0, 0]]

# 设定每个样本的标签为 [是否有车]
Y = [0, 1, 1, 0]

# 创建决策树分类器
clf = tree.DecisionTreeClassifier()

# 训练模型
clf = clf.fit(X, Y)

# 预测样本
predict_result = clf.predict([[32, 1, 1]])
print("预测结果为:", predict_result)

该代码使用了 scikit-learn 中的 `DecisionTreeClassifier` 算法，它在训练数据中对样本特征与标签建立模型，最后在预测数据中预测样本的标签。

该代码的预测结果为 `[1]`，表示该样本的预测结果为具有车。