Scikit-learn中怎么实现决策树

在Scikit-learn中实现决策树的方法是使用DecisionTreeClassifier类。下面是一个简单的示例代码，演示如何在Scikit-learn中实现决策树：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建决策树模型
clf = DecisionTreeClassifier()

# 在训练集上训练模型
clf.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率：", accuracy)

在上面的示例中，我们首先加载了一个内置的数据集iris，然后将数据集划分为训练集和测试集。接着创建了一个DecisionTreeClassifier对象clf，并在训练集上训练模型。最后对测试集进行预测，并计算准确率。