sklearn的DecisionTreeClassifier输出规则

`DecisionTreeClassifier`是sklearn库中的一个分类器，它使用决策树算法来训练模型。在训练完成后，你可以使用`export_text`方法来输出决策树的规则。

例如，假设你有一个名为`clf`的`DecisionTreeClassifier`对象，你可以使用以下代码来输出决策树的规则：

from sklearn.tree import export_text

r = export_text(clf, feature_names=iris.feature_names)
print(r)

其中，`feature_names`参数是指数据集的特征名称，可以帮助我们更好地理解输出结果。输出结果将显示树的每个节点和分支的规则。例如，以下是一个可能的输出结果：

|--- petal length (cm) <= 2.45
|   |--- class: 0
|--- petal length (cm) >  2.45
|   |--- petal width (cm) <= 1.75
|   |   |--- petal length (cm) <= 4.95
|   |   |   |--- class: 1
|   |   |--- petal length (cm) >  4.95
|   |   |   |--- class: 2
|   |--- petal width (cm) >  1.75
|   |   |--- petal length (cm) <= 4.85
|   |   |   |--- sepal width (cm) <= 3.10
|   |   |   |   |--- class: 2
|   |   |   |--- sepal width (cm) >  3.10
|   |   |   |   |--- class: 1
|   |   |--- petal length (cm) >  4.85
|   |   |   |--- class: 2

每个节点表示一个特征和一个阈值，用于将数据集分成两个子集。分支表示数据集中满足条件的数据点将沿着该分支移动。最后的叶节点表示每个分支的类别预测。在上面的例子中，决策树将数据集分成三个类别（0, 1, 2），并且输出结果显示了如何根据特征进行分类。