好的！以下是基于Python和PyCharm实现CART算法构建决策树的详细步骤，并生成对应的图像。 --- ### 步骤说明 1. **加载Excel数据** 使用`pandas`库读取Excel文件并将其转换为DataFrame格式。 2. **预处理数据** 因为我们使用的属性是文本型数据，需要将它们编码为数值形式以便用于CART算法。 3. **训练 CART 决策树模型** 使用 `sklearn.tree.DecisionTreeClassifier()` 来创建决策树分类器，并指定准则为“gini”以符合CART算法的要求。 4. **可视化决策树** 使用 `matplotlib` 和 `sklearn.tree.plot_tree()` 绘制决策树图形。 5. **保存决策树图** 将绘制完成的决策树保存到本地。 --- ### 完整代码示例 ```python import pandas as pd from sklearn.preprocessing import LabelEncoder from sklearn.tree import DecisionTreeClassifier, plot_tree import matplotlib.pyplot as plt # 加载数据集 (假设 Excel 文件名为 "watermelon_data.xlsx") file_path = 'watermelon_data.xlsx' data = pd.read_excel(file_path) # 显示前几行数据 print(data.head()) # 数据预处理 - 对所有列进行Label Encoding label_encoder = LabelEncoder() for column in data.columns: if data[column].dtype == 'object': # 如果该列为文本类型，则对其进行编码 data[column] = label_encoder.fit_transform(data[column]) # 分离特征变量X和目标变量y X = data.iloc[:, 1:-1] # 第二至第七列为特征 y = data.iloc[:, -1] # 最后一列为标签 # 创建CART决策树模型 cart_model = DecisionTreeClassifier(criterion='gini', random_state=42) cart_model.fit(X, y) # 可视化决策树 plt.figure(figsize=(10,8)) plot_tree(cart_model, feature_names=X.columns, class_names=['Bad','Good'], filled=True) plt.title('Decision Tree for Watermelons') plt.show() # 保存图片 output_image_path = 'decision_tree.png' plt.savefig(output_image_path) print(f"Decision tree image saved to {output_image_path}") ``` --- ### 输出结果 运行上述代码后： 1. 控制台会显示部分原始数据及处理后的编码数据。 2. 自动生成一张决策树图表并在窗口展示。 3. 图像会被保存到当前目录下，默认名称为`decision_tree.png`。 --- #### 注意事项 1. 确保安装了所需的依赖包：`pandas`, `scikit-learn`, `matplotlib`。如果未安装，可以使用以下命令安装： ```bash pip install pandas scikit-learn matplotlib openpyxl ``` 2. 需要注意的是，Excel表格中的字段名应与代码一致（如“色泽”, “根蒂”等），否则可能导致错误。 --- ###