### 构建决策树模型的过程 为了在 Python 中使用 CSV 文件作为数据集构建决策树模型，可以按照以下方法操作： #### 数据加载与预处理 首先需要通过 Pandas 库读取 CSV 文件并对其进行初步探索和清理。以下是具体代码示例以及说明。 ```python import pandas as pd # 使用pandas库中的read_csv函数加载CSV文件 df = pd.read_csv('drug.csv') # 删除无用列（如果存在） df.drop('Unnamed: 0', axis=1, inplace=True) # 打印前几行查看数据结构 print(df.head()) ``` 上述代码实现了从本地路径加载名为 `drug.csv` 的数据文件，并删除了一个可能多余的索引列[^1]。 #### 特征工程与目标变量分离 接着要将数据分为特征矩阵 (X) 和标签向量 (y)，这是大多数监督学习算法的标准输入形式。 ```python from sklearn.model_selection import train_test_split # 假设最后一列为类别标签 X = df.iloc[:, :-1].values # 提取所有除最后以外的列作为特征 y = df.iloc[:, -1].values # 提取最后一列作为目标变量 # 将数据划分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) ``` 这里采用了 scikit-learn 的 `train_test_split()` 方法划分训练集和验证集，比例设置为80%用于训练，20%保留作评估用途[^2]。 #### 创建决策树模型 利用 scikit-learn 的 DecisionTreeClassifier 类实例化一个决策树对象，并调用 fit() 函数完成模型拟合过程。 ```python from sklearn.tree import DecisionTreeClassifier # 初始化决策树分类器，默认参数即可满足多数需求 clf = DecisionTreeClassifier() # 训练模型 clf.fit(X_train, y_train) ``` 此部分定义了基础版的决策树分类器，并将其应用于之前准备好的训练样本集合之上[^2]。 #### 可视化决策树 一旦完成了模型训练阶段，则可以通过 matplotlib 或者 graphviz 工具展示生成的结果图谱。 ```python from sklearn.tree import plot_tree import matplotlib.pyplot as plt plt.figure(figsize=(12,8)) plot_tree(clf, filled=True, feature_names=df.columns[:-1], class_names=['DrugA','DrugB']) plt.show() ``` 这段脚本借助于内置绘图功能呈现出了完整的二叉判定流程图表，其中包含了节点分裂依据及其对应阈值等内容。 --- 问题