以下是一个使用Python编写的决策树案例代码示例：
import pandas as pdfrom sklearn.tree import DecisionTreeClassifierfrom sklearn.model_selection import train_test_splitfrom sklearn import metrics# 读取数据集data = pd.read_csv("iris.csv")# 将目标变量从文本转换为数字data['species'] = pd.factorize(data.species)[0]# 将特征列和目标变量分离X = data.drop('species', axis=1)y = data['species']# 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=0.3)# 创建决策树分类器对象，并将其拟合到训练数据上clf = DecisionTreeClassifier()clf.fit(X_train,y_train)# 预测测试集上的类别，并计算准确度得分y_pred = clf.predict(X_test)print("Accuracy:",metrics.accuracy_score(y_test, y_pred))# 可视化决策树模型from sklearn.tree import export_graphvizfrom IPython.display import Imageimport pydotplusdot_data = export_graphviz(clf, out_file=None,feature_names=X.columns,class_names=['setosa', 'versicolor', 'virginica'],filled=True, rounded=True,special_characters=True)graph = pydotplus.graph_from_dot_data(dot_data)Image(graph.create_png())
在上面的代码中，我们首先使用Pandas库读取名为“iris.csv”的数据集。然后，我们将目标变量从文本转换为数字，并将特征列和目标变量分离。接下来，我们使用train_test_split()函数将数据集拆分为训练集和测试集。
然后，我们创建了一个DecisionTreeClassifier对象，并使用fit()方法将其拟合到训练数据上。我们使用测试集上的数据预测类别，并计算准确度得分。
最后，我们使用export_graphviz()函数可视化决策树模型，并用Pydotplus库渲染它。您可以在代码中修改特征名称、目标变量名称和类别名称以适应您自己的数据集。
