### 使用 Python 和 sklearn 实现决策树算法 以下是基于 `sklearn` 库实现决策树的一个完整代码示例。此代码展示了如何加载数据、训练模型以及评估模型性能。 ```python from sklearn.datasets import load_iris # 导入鸢尾花数据集作为示例 from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import accuracy_score, classification_report # 加载数据集 data = load_iris() X = data.data # 特征矩阵 y = data.target # 标签向量 # 将数据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=42) # 初始化决策树分类器 clf = DecisionTreeClassifier(criterion='gini', max_depth=None, random_state=42) # 训练模型 clf.fit(X_train, y_train) # 预测测试集标签 y_pred = clf.predict(X_test) # 输出预测结果的准确性 accuracy = accuracy_score(y_test, y_pred) print(f"模型准确率: {accuracy:.2f}") # 打印详细的分类报告 report = classification_report(y_test, y_pred, target_names=data.target_names) print(report) ``` #### 关键点说明 - 数据集使用的是经典的鸢尾花数据集 (`load_iris`)，它是一个多类别分类问题的数据集[^1]。 - 利用 `train_test_split` 函数将原始数据划分为训练集和测试集，比例为 70% 训练集和 30% 测试集。 - 决策树分类器通过 `DecisionTreeClassifier` 类初始化，并设置了分裂标准为 Gini 不纯度(`criterion='gini'`)，未限制最大深度(`max_depth=None`)以便完全生长树结构。 - 模型经过训练后，在测试集上的表现由 `accuracy_score` 和 `classification_report` 进行量化评估。 如果需要自定义数据集（如年龄、收入等字段），则需先完成数据预处理工作，例如编码字符串类型的变量为数值形式，再输入到模型中进行拟合[^2]。