Python 决策树分类器：Iris 数据集示例

1. 加载 Iris 数据集
2. 将数据集分为训练集和测试集
3. 初始化决策树分类器
4. 训练分类器
5. 对测试集进行预测
6. 计算准确率

from sklearn import tree
from sklearn import datasets
from sklearn.model_selection import train_test_split

# 加载 Iris 数据集
iris = datasets.load_iris()
X = iris.data  # 特征数据
y = iris.target  # 标签数据
print('Sample num: ', len(y))

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 模型初始化并训练
clf = tree.DecisionTreeClassifier()  # 初始化决策树分类器
clf.fit(X_train, y_train)  # 训练分类器

# 预测结果
ans = clf.predict(X_test)  # 对测试集进行预测

# 计算准确率
cnt = 0
for i in range(len(y_test)):
    if ans[i] - y_test[i] < 1e-1:
        cnt += 1
    # print(ans[i], ' ', y_test[i])
print("Accuracy: ", (cnt * 100.0 / len(y_test)),"%")