决策树分类模型应用实例及代码

决策树是一种常用的数据挖掘和机器学习算法，特别适用于解决分类问题。它的基本思想是通过构建一棵树状结构，每个内部节点代表一个特征属性测试，每个分支代表这个属性的一个取值，而叶子节点则表示预测结果。下面是一个简单的决策树分类模型应用实例，我们将使用Python的scikit-learn库中的`DecisionTreeClassifier`来创建一个决策树模型，这里以鸢尾花数据集为例：

# 导入所需的库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data  # 特征
y = iris.target  # 类别标签

# 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()

# 训练模型
clf.fit(X_train, y_train)

# 预测
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")

#