西瓜数据集分类预测：Python代码示例

以下是使用Python进行西瓜数据集分类和预测的示例代码：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 读取数据集
data = pd.read_csv('watermelon.csv')

# 提取特征和标签
X = data.drop('label', axis=1)
y = data['label']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 构建决策树模型
model = DecisionTreeClassifier()
model.fit(X_train, y_train)

# 在训练集上进行预测
train_predictions = model.predict(X_train)
train_accuracy = accuracy_score(y_train, train_predictions)
print('训练集准确率：', train_accuracy)

# 在测试集上进行预测
test_predictions = model.predict(X_test)
test_accuracy = accuracy_score(y_test, test_predictions)
print('测试集准确率：', test_accuracy)

# 使用模型进行预测
new_data = pd.DataFrame({'色泽': ['青绿'], '根蒂': ['蜷缩'], '敲声': ['浊响'], '纹理': ['清晰'], '脐部': ['凹陷'], '触感': ['硬滑']})
prediction = model.predict(new_data)
print('新数据预测结果：', prediction)

请注意，在上述代码中，我们假设数据集的文件名为'watermelon.csv'，并且数据集中的特征列为'色泽'、'根蒂'、'敲声'、'纹理'、'脐部'和'触感'，标签列为'label'。您需要根据实际情况调整代码中的数据集文件名和特征列、标签列的名称。