python实现决策树例题经典案例

以下是一个简单的使用决策树分类器的 Python 代码示例：

from sklearn import tree

# 创建决策树分类器
clf = tree.DecisionTreeClassifier()

# 训练数据集
X = [[0, 0], [1, 1]]
y = [0, 1]
clf.fit(X, y)

# 预测新数据
print(clf.predict([[2., 2.]]))

在这个例子中，我们首先使用 sklearn 中的 tree 模块创建了一个决策树分类器，并将其存储在变量 clf 中。接着，我们使用 fit() 方法训练了分类器，其中 X 是一个二维数组，存储了训练数据的特征，y 是一个一维数组，存储了训练数据的分类标签。

最后，我们使用 predict() 方法对一个新数据进行分类，并输出分类结果。在这个例子中，新数据是 [2., 2.]，我们希望将其分类为 1。输出结果是 [1]，与我们的预期相符。

需要注意的是，决策树分类器也可以处理多类别分类问题，可以在创建分类器时指定 criterion='entropy' 或 criterion='gini' 参数，以根据信息增益或基尼系数选择最佳分裂点。此外，决策树分类器还支持对特征进行加权，以提高某些特征的重要性。