决策树（Decision Tree）Python 实现教程 🌳

什么是决策树？

决策树是一种常见的机器学习算法，用于分类和回归任务。它通过树状结构对数据进行分割，每一步选择最优特征进行划分，直到达到停止条件。

Python 实现步骤

1. 数据准备
   使用 pandas 加载数据集：

   import pandas as pd
   data = pd.read_csv("your_dataset.csv")
   

2. 划分训练集与测试集
   通过 train_test_split 分割数据：

   from sklearn.model_selection import train_test_split
   X_train, X_test, y_train, y_test = train_test_split(data.drop("target", axis=1), data["target"], test_size=0.2)
   

3. 训练决策树模型
   调用 DecisionTreeClassifier 进行训练：

   from sklearn.tree import DecisionTreeClassifier
   model = DecisionTreeClassifier()
   model.fit(X_train, y_train)
   

4. 模型评估
   计算准确率：

   accuracy = model.score(X_test, y_test)
   print(f"准确率: {accuracy:.2f}")
   

扩展阅读

• 机器学习基础教程：线性回归
• 决策树可视化工具推荐
• Python 机器学习实战项目合集