python如何用决策树算法,通过训练集对测试集做出预测,并输出acc
时间: 2024-03-03 10:50:49 浏览: 19
首先,需要导入sklearn库中的DecisionTreeClassifier类,以及其他必要的库:
```python
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
```
接着,需要读入训练集和测试集的数据,将特征和标签分别存储在X_train, y_train, X_test, y_test中。
然后,可以使用DecisionTreeClassifier类来创建决策树模型,并使用fit方法来拟合训练数据:
```python
model = DecisionTreeClassifier()
model.fit(X_train, y_train)
```
接着,可以使用predict方法来预测测试集的标签,并将预测结果存储在y_pred中:
```python
y_pred = model.predict(X_test)
```
最后,可以使用accuracy_score函数来计算预测准确率,并将结果输出:
```python
acc = accuracy_score(y_test, y_pred)
print("准确率为:", acc)
```
完整的代码示例:
```python
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
# 读入训练集和测试集数据
X_train, y_train = ...
X_test, y_test = ...
# 创建决策树模型并拟合训练数据
model = DecisionTreeClassifier()
model.fit(X_train, y_train)
# 预测测试集标签并计算准确率
y_pred = model.predict(X_test)
acc = accuracy_score(y_test, y_pred)
print("准确率为:", acc)
```