数据挖掘决策树相关代码
时间: 2024-03-31 08:30:43 浏览: 78
数据挖掘中的决策树是一种常用的分类和回归算法,它通过构建树形结构来进行数据的划分和预测。下面是一个简单的示例代码,用于构建和使用决策树模型:
```python
# 导入所需的库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 构建决策树模型
model = DecisionTreeClassifier()
model.fit(X_train, y_train)
# 在测试集上进行预测
y_pred = model.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率:", accuracy)
```
这段代码使用了scikit-learn库中的`DecisionTreeClassifier`类来构建决策树模型,并使用鸢尾花数据集进行训练和测试。首先,我们导入所需的库,然后加载数据集。接下来,将数据集划分为训练集和测试集。然后,使用`DecisionTreeClassifier`类构建决策树模型,并在训练集上进行训练。最后,使用训练好的模型在测试集上进行预测,并计算准确率。