决策树（Decision Tree）

        为达到目标，根据一定的条件进行选择的过程，就是决策树，常用于分类

构成元素是结点和边

• 结点：根据样本的特征作出判断，根节点、叶节点。
• 边：指示方向。

衡量标准——熵

        这里熵表示样本种类的丰富性，样本种类越多越混乱，熵越大；假若全部属于同一类，则熵等于零。

构造的基本思路

        随着层数增加，让熵快速降低，降低速率越快，效率越高。

缺点——过拟合

        解决——剪枝

1.         预剪枝：达某条件就停止
2.         后剪枝：先得树，再加上限制条件（如叶节点个数）进行剪枝。

Python代码

from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
import pandas as pd# 读取数据
data = pd.read_csv('data.csv')# 假设数据中的最后一列是目标变量，其余列是特征
X = data.iloc[:, :-1]
y = data.iloc[:, -1]# 将数据集拆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)# 创建决策树分类器
dt_classifier = DecisionTreeClassifier(random_state=42)# 训练模型
dt_classifier.fit(X_train, y_train)# 在测试集上进行预测
y_pred = dt_classifier.predict(X_test)
print(y_pred)
print(y_test)
# 评估模型准确性
accuracy = accuracy_score(y_test, y_pred)
print(f'Model Accuracy: {accuracy}')

附：构造样例数据的实例代码

# 以通过学生的数学和英语成绩预测是否通过为例
import pandas as pd
import numpy as np
df = pd.DataFrame({'Math_Score': [np.random.randint(40, 101) for x1 in range(100)],'English_Score': [np.random.randint(40, 101) for x2 in range(100)],'Pass': [np.random.randint(0, 2) for x3 in range(100)],
})
df.to_csv('data.csv')