决策树算法python代码简单
时间: 2023-10-14 17:26:39 浏览: 44
以下是一个简单的决策树算法的Python代码示例:
```
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target
# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建决策树分类器
clf = DecisionTreeClassifier()
# 训练模型
clf.fit(X_train, y_train)
# 预测测试集
y_pred = clf.predict(X_test)
# 输出预测结果
print("预测结果: ", y_pred)
# 输出模型得分
print("模型得分: ", clf.score(X_test, y_test))
```
该代码使用Scikit-learn库中的DecisionTreeClassifier类实现决策树算法。它加载鸢尾花数据集,并将其划分为训练集和测试集。然后,它创建一个决策树分类器并使用训练数据拟合该模型。最后,使用测试数据进行预测并输出预测结果和模型得分。
相关问题
决策树算法python代码
以下是一个简单的决策树算法Python代码示例:
```python
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris
# 载入Iris数据集
iris = load_iris()
X = iris.data
y = iris.target
# 训练模型
clf = DecisionTreeClassifier()
clf.fit(X, y)
# 预测
new_data = [[5.2, 3.1, 1.6, 0.4]]
print(clf.predict(new_data))
```
这个示例使用scikit-learn库中的`DecisionTreeClassifier`类实现了决策树算法。首先载入了Iris数据集,然后训练了一个决策树分类器。最后,使用这个分类器对新的数据进行预测。
决策树ch4.5算法python代码
决策树算法是一种常用的机器学习算法,其主要用于分类和回归任务。在Python中,可以使用scikit-learn库的DecisionTreeClassifier类来实现决策树算法。
以下是一个简单的决策树算法的Python代码示例:
```python
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn import metrics
# 加载数据集
iris = datasets.load_iris()
X = iris.data # 特征
y = iris.target # 目标变量
# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1)
# 创建决策树分类器
clf = DecisionTreeClassifier()
# 在训练集上训练模型
clf.fit(X_train, y_train)
# 在测试集上进行预测
y_pred = clf.predict(X_test)
# 评估模型性能
print("准确率:", metrics.accuracy_score(y_test, y_pred))
```
以上代码首先导入所需的库,包括`datasets`模块来加载数据集,`train_test_split`模块来拆分训练集和测试集,`DecisionTreeClassifier`类用于创建决策树分类器,`metrics`模块用于评估模型性能。
然后,加载鸢尾花数据集,并将数据集分为特征和目标变量。接下来,将数据集拆分为训练集和测试集,其中测试集占总样本的30%。
然后,创建决策树分类器对象,并在训练集上训练模型。最后,使用训练好的模型对测试集进行预测,并通过准确率评估模型的性能。
这是一个简单的决策树算法的Python代码示例,你可以根据自己的需求进行扩展和修改。