西瓜数据集决策树python

以下是使用Python实现西瓜数据集决策树的示例代码：

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn import metrics

# 读取数据集
data = pd.read_csv('watermelon.csv')

# 将数据集分为特征和标签
X = data.drop(['编号', '好瓜'], axis=1)
y = data['好瓜']

# 将特征转换为数值型
X = pd.get_dummies(X)

# 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=0.3, random_state=1)

# 创建决策树分类器
clf = DecisionTreeClassifier()

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集结果
y_pred = clf.predict(X_test)

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

这段代码使用pandas库读取了名为watermelon.csv的数据集，并将其分为特征和标签。然后，使用get_dummies()函数将特征转换为数值型。接下来，将数据集分为训练集和测试集，并创建决策树分类器。最后，使用fit()函数训练模型，并使用predict()函数预测测试集结果。最后，计算准确率并输出。