python决策树代码
时间: 2023-05-15 09:05:15 浏览: 46
以下是一个简单的 Python 决策树代码示例:
```python
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:
```python
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。
写一个Python决策树代码
以下是一个简单的Python决策树代码示例:
```python
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
# 加载鸢尾花数据集
iris = load_iris()
# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=42)
# 创建决策树模型
clf = DecisionTreeClassifier(random_state=42)
# 训练模型
clf.fit(X_train, y_train)
# 在测试集上进行预测并计算准确率
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("决策树模型的准确率为:", accuracy)
```
在这个示例中,首先我们使用`load_iris()`函数加载了鸢尾花数据集,然后使用`train_test_split()`函数将数据集划分为训练集和测试集。接着我们使用`DecisionTreeClassifier`类创建了一个决策树模型,使用`fit()`方法在训练集上训练模型。最后在测试集上使用`predict()`方法进行预测,并使用`accuracy_score()`函数计算模型的准确率。