决策树算法 python

决策树是一种常用的分类和回归算法，它通过对数据进行划分，生成一棵树形结构，从而对数据进行预测。在Python中，可以使用scikit-learn库来实现决策树算法。

下面是一个简单的示例代码，用于演示如何使用scikit-learn实现决策树算法：

from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载iris数据集
iris = load_iris()
X = iris.data
y = iris.target

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 创建决策树模型并训练
clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)

# 预测并验证准确率
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy: {:.2f}%".format(accuracy * 100))

在这个示例中，我们使用了iris数据集来训练决策树模型，并将数据集划分为训练集和测试集。然后，我们创建了一个决策树分类器，并使用训练数据来训练模型。最后，我们使用测试数据来测试模型，并计算出模型的准确率。

这只是决策树在Python中的一个简单示例，如果你有兴趣了解更多关于决策树算法的细节，可以继续深入学习和研究。