python决策树代码

以下是一个简单的 Python 决策树代码示例：

from sklearn import tree

# 训练数据
features = [[140, 1], [130, 1], [150, 0], [170, 0]]
labels = [0, 0, 1, 1]

# 创建决策树模型
clf = tree.DecisionTreeClassifier()

# 训练模型
clf = clf.fit(features, labels)

# 预测新数据
print(clf.predict([[160, 0]]))

这个代码示例使用 scikit-learn 库中的 DecisionTreeClassifier 类来创建一个决策树模型，并使用训练数据来训练模型。最后，使用模型来预测新数据的标签。

相关问题

Python决策树代码

以下是一个简单的Python决策树代码示例：

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

# 加载鸢尾花数据集
iris = load_iris()

# 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(iris.data, iris.target, random_state=0)

# 创建一个决策树分类器
clf = DecisionTreeClassifier(random_state=0)

# 用训练数据拟合分类器
clf.fit(X_train, y_train)

# 用测试数据评估分类器的性能
print("测试集准确率: {:.2f}".format(clf.score(X_test, y_test)))

这段代码使用 `scikit-learn` 包中的决策树分类器来预测鸢尾花的品种。首先，加载了鸢尾花数据集并将其划分为训练集和测试集。然后，创建了一个决策树分类器对象并使用训练数据来拟合该分类器。最后，使用测试集来评估分类器的性能，并打印出测试集的准确率。

python决策树可视化代码

以下是使用Python中的Scikit-learn库和Graphviz库可视化决策树的示例代码：

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier, export_graphviz
import graphviz

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

# 训练决策树
clf = DecisionTreeClassifier()
clf.fit(X, y)

# 可视化决策树
dot_data = export_graphviz(clf, out_file=None, 
                           feature_names=iris.feature_names,  
                           class_names=iris.target_names,  
                           filled=True, rounded=True,  
                           special_characters=True)
graph = graphviz.Source(dot_data)
graph

这段代码会生成一个图形化的决策树，其中每个节点表示一个特征，每个分支表示该特征的一个值，叶节点表示分类结果。可以使用Graphviz库将决策树渲染成图形。