决策树模型构建与预测：最大深度5，最小叶子节点10

构建决策树模型并进行预测

本教程将演示如何构建一个决策树模型，并使用它对新数据进行预测。我们将设置最大深度为5，最小叶子节点数为10。

1. 构建模型

首先，使用 DecisionTreeClassifier 类构建一个决策树模型，并设置 max_depth 和 min_samples_leaf 参数：

clf = DecisionTreeClassifier(max_depth=5, min_samples_leaf=10)

然后，使用训练数据 X_train 和 Y_train 对模型进行训练：

clf.fit(X_train, Y_train)

最后，使用测试数据 X_test 和 Y_test 评估模型性能：

score = clf.score(X_test, Y_test)

2. 预测新数据

假设我们有一个新的数据样本，其特征值为 [5.1, 3.5, 1.4, 0.2]，我们可以使用训练好的决策树模型进行预测：

# 预测新样本
new_sample = [[5.1, 3.5, 1.4, 0.2]]
predicted_class = clf.predict(new_sample)

# 输出预测结果
print('Predicted class:', predicted_class)

本教程使用Python代码示例，详细讲解了如何构建一个决策树模型，设置最大深度和最小叶子节点数，并使用它进行数据预测。希望本教程能够帮助您更好地理解决策树模型的构建与应用。