较为复杂的cart分类树和回归树的构建代码python

以下是基于scikit-learn库实现的cart分类树和回归树的构建代码示例：

## CART分类树

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier, export_graphviz
import pydotplus

# 加载数据集
iris = load_iris()

# 构建决策树分类器
clf = DecisionTreeClassifier(criterion='gini', max_depth=None)

# 训练模型
clf.fit(iris.data, iris.target)

# 可视化决策树
dot_data = export_graphviz(clf, out_file=None,
                           feature_names=iris.feature_names,
                           class_names=iris.target_names,
                           filled=True, rounded=True,
                           special_characters=True)
graph = pydotplus.graph_from_dot_data(dot_data)
graph.write_png('iris.png')

## CART回归树

from sklearn.datasets import load_boston
from sklearn.tree import DecisionTreeRegressor, export_graphviz
import pydotplus

# 加载数据集
boston = load_boston()

# 构建决策树回归器
regr = DecisionTreeRegressor(criterion='mse', max_depth=None)

# 训练模型
regr.fit(boston.data, boston.target)

# 可视化决策树
dot_data = export_graphviz(regr, out_file=None,
                           feature_names=boston.feature_names,
                           filled=True, rounded=True,
                           special_characters=True)
graph = pydotplus.graph_from_dot_data(dot_data)
graph.write_png('boston.png')

以上示例中，我们使用了sklearn库中的决策树分类器和回归器来构建分类树和回归树，同时使用了pydotplus库来可视化生成的决策树。