python决策树预测模型代码实例

以下是一个使用Python实现决策树预测模型的代码实例：

# 导入所需的库和模块
from sklearn import tree
import pandas as pd

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

# 将数据集中的字符串转换为数字
data['Outlook'] = data['Outlook'].replace({'Sunny': 0, 'Overcast': 1, 'Rainy': 2})
data['Temperature'] = data['Temperature'].replace({'Hot': 0, 'Mild': 1, 'Cool': 2})
data['Humidity'] = data['Humidity'].replace({'High': 0, 'Normal': 1})
data['Windy'] = data['Windy'].replace({'False': 0, 'True': 1})
data['Play'] = data['Play'].replace({'No': 0, 'Yes': 1})

# 将数据集分为特征和目标变量
X = data.drop(columns=['Play'])
y = data['Play']

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

# 使用数据拟合模型
clf = clf.fit(X, y)

# 预测新数据
prediction = clf.predict([[0, 1, 0, 0]])

# 输出预测结果
if prediction == 1:
    print('Play')
else:
    print('Do not play')

该代码实例使用了sklearn库中的DecisionTreeClassifier模块来创建决策树模型，并使用weather.csv数据集进行训练和预测。在预测新数据时，将新数据作为一个列表传递给predict()函数，并输出预测结果。