决策树构建python

### 使用 Python 实现决策树算法决策树是一种常见的机器学习算法，能够应用于分类和回归任务。它通过构建一棵树形结构来进行预测，其中每个内部节点表示一个属性上的测试，而每个叶节点则代表最终的结果[^2]。以下是基于 `scikit-learn` 库的一个简单示例代码，展示如何使用 Python 来实现并训练一个决策树分类器： ```python from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import accuracy_score # 加载数据集 data = load_iris() X, y = data.data, data.target # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # 初始化决策树模型 clf = DecisionTreeClassifier(random_state=42) # 训练模型 clf.fit(X_train, y_train) # 预测测试集 y_pred = clf.predict(X_test) # 输出准确率 accuracy = accuracy_score(y_test, y_pred) print(f"模型准确率为: {accuracy:.2f}") ``` 上述代码展示了完整的流程：加载数据、划分训练集与测试集、初始化决策树模型、训练以及评估性能。此过程中使用的 Iris 数据集是一个经典的多类分类问题，适合初学者练习决策树的实现[^1]。 #### 关于决策树的工作原理决策树的核心在于递归地分割特征空间，使得每次分裂都能最大化某些标准（如信息增益或基尼指数），从而形成更纯净的子集。这种策略有助于提高模型对于未知样本的泛化能力。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

下一篇 python中格式化使用方法