基于决策树的购买意愿预测模型的代码

以下是一个基于决策树的购买意愿预测模型的Python代码示例：

# 导入必要的模块
import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 读取数据集
data = pd.read_csv("purchase_data.csv")

# 将分类变量转换为数字编码
data['Gender'] = data['Gender'].map({'Male': 0, 'Female': 1})
data['Purchased'] = data['Purchased'].map({'No': 0, 'Yes': 1})

# 定义特征和目标变量
X = data.drop('Purchased', axis=1)
y = data['Purchased']

# 将数据集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)

# 定义决策树分类器
dtc = DecisionTreeClassifier()

# 训练模型
dtc.fit(X_train, y_train)

# 预测测试集
y_pred = dtc.predict(X_test)

# 计算准确率
acc = accuracy_score(y_test, y_pred)
print("Accuracy:", acc)

这个示例代码假设你已经有一个名为"purchase_data.csv"的购买数据集，并且你想要预测"Purchased"变量。它将分类变量转换为数字编码，并将数据集拆分为训练集和测试集。然后，它定义了一个决策树分类器，并使用训练数据拟合模型。最后，它使用测试数据进行预测，并计算准确率。