### Jupyter Notebook 中的 CART 决策树分类算法完整代码示例 以下是基于 `scikit-learn` 的 CART 决策树分类器在 Jupyter Notebook 中的一个完整实现。此代码展示了如何加载数据集、训练模型以及评估其性能。 ```python # 导入必要的库 import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import accuracy_score, confusion_matrix, classification_report # 创建一个简单的虚拟数据集用于演示 data = { 'Feature1': [2.771244718, 1.728571309, 3.673839346, 3.673839346], 'Feature2': [-1.783836054, 1.139468121, -2.460434605, -2.460434605], 'Label': ['Class_0', 'Class_1', 'Class_0', 'Class_1'] } df = pd.DataFrame(data) # 数据预处理：分离特征和标签 X = df[['Feature1', 'Feature2']] y = df['Label'] # 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) # 初始化并配置决策树分类器，默认使用Gini指数作为分裂标准 clf = DecisionTreeClassifier(criterion="gini", random_state=14) # 训练模型 clf.fit(X_train, y_train) # 预测测试集的结果 y_pred = clf.predict(X_test) # 输出预测结果及其准确性评价指标 print("Accuracy:", accuracy_score(y_test, y_pred)) print("\nConfusion Matrix:\n", confusion_matrix(y_test, y_pred)) print("\nClassification Report:\n", classification_report(y_test, y_pred)) # 可视化决策树（可选） from sklearn.tree import export_text tree_rules = export_text(clf, feature_names=['Feature1', 'Feature2']) print(tree_rules) ``` #### 关键点解释： 1. **导入模块** 使用 `pandas` 加载数据，利用 `train_test_split` 划分数据集，并通过 `DecisionTreeClassifier` 实现 CART 算法[^1]。 2. **数据准备** 构建了一个小型的数据集来展示功能。实际应用中可以替换为真实世界的数据文件或数据库表单。 3. **模型初始化与训练** 设置随机种子以确保实验重复性，并采用默认参数构建决策树模型[^1]。 4. **性能评估** 提供了多种方式衡量模型表现，包括准确率 (`accuracy`) 和混淆矩阵 (`confusion matrix`) 等统计量[^1]。 5. **可视化规则** 调用了 `export_text()` 方法打印出决策路径以便理解逻辑结构[^1]。 ---