python分类回归决策树 CART代码

以下是使用Python实现分类回归决策树(CART)的代码示例：首先，我们需要导入必要的库： ```python from sklearn.tree import DecisionTreeClassifier, DecisionTreeRegressor from sklearn.datasets import load_iris, load_boston from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score, mean_squared_error ``` 接下来，我们可以使用`load_iris`和`load_boston`函数分别加载鸢尾花数据集和波士顿房价数据集： ```python # 加载鸢尾花数据集 iris = load_iris() X, y = iris.data, iris.target # 加载波士顿房价数据集 boston = load_boston() X_reg, y_reg = boston.data, boston.target ``` 然后，我们可以将数据集划分为训练集和测试集： ```python # 分割鸢尾花数据集为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 分割波士顿房价数据集为训练集和测试集 X_train_reg, X_test_reg, y_train_reg, y_test_reg = train_test_split(X_reg, y_reg, test_size=0.2, random_state=42) ``` 接下来，我们可以使用`DecisionTreeClassifier`和`DecisionTreeRegressor`类来构建分类回归决策树： ```python # 构建分类决策树模型并拟合训练集 clf = DecisionTreeClassifier(random_state=42) clf.fit(X_train, y_train) # 构建回归决策树模型并拟合训练集 reg = DecisionTreeRegressor(random_state=42) reg.fit(X_train_reg, y_train_reg) ``` 然后，我们可以使用测试集来评估模型的性能： ```python # 计算分类决策树模型在测试集上的准确率 y_pred = clf.predict(X_test) acc = accuracy_score(y_test, y_pred) print(f"Accuracy: {acc:.2f}") # 计算回归决策树模型在测试集上的均方误差 y_pred_reg = reg.predict(X_test_reg) mse = mean_squared_error(y_test_reg, y_pred_reg) print(f"MSE: {mse:.2f}") ``` 最后，我们可以绘制决策树的图形以可视化模型的决策过程： ```python from sklearn.tree import plot_tree import matplotlib.pyplot as plt # 绘制分类决策树模型的图形 plt.figure(figsize=(12, 6)) plot_tree(clf, filled=True) plt.show() # 绘制回归决策树模型的图形 plt.figure(figsize=(12, 6)) plot_tree(reg, filled=True) plt.show() ``` 以上就是使用Python实现分类回归决策树(CART)的代码示例。