决策树例题经典案例

决策树例题经典案例
1. 引言
决策树是一种常见且有用的机器学习算法，在许多实际问题中都得到了广泛应用。

它是一种基于树结构的分类模型，通过对数据的特征进行判断，构建出一个树状的决策过程。

本文将通过一个经典的案例，来介绍决策树的基本原理和应用。

2. 案例背景
假设我们是一家电子商务平台的运营团队，我们最近推出了一种新产品，并希望根据用户的特征来预测他们是否会购买这个产品。

为了解决这个问题，我们决定使用决策树算法来构建一个分类模型。

3. 数据集介绍
我们已经收集了一些用户的相关数据，包括年龄、性别、收入和是否购买产品。

数据集如下：
用户ID年龄性别收入是否购买产品
125男5000元以上是230女3000-5000元是335男3000-5000元否440男3000-5000元否535男3000-5000元是645女5000元以上是750男2000-3000元否860男3000-5000元是
4. 构建决策树模型
在构建决策树模型之前，我们需要对数据进行预处理。

首先，将年龄、性别和收入这些特征进行编码转换，方便计算机处理。

然后，将数据集分为训练集和测试集，训练集用于构建模型，测试集用于评估模型的性能。

接下来，我们使用Python中的scikit-learn库来构建决策树模型。

首先，导入相关的库和模块：
from sklearn import tree
import pandas as pd
然后，读取数据并进行特征编码：
data = pd.read_csv('data.csv')
# 特征编码
data['年龄'] = data['年龄'].map({'25': 0, '30': 1, '35': 2, '40': 3, '45': 4, '50': 5, '60': 6}) data['性别'] = data['性别'].map({'男': 0, '女': 1}) data['收入'] = data['收入'].map({'5000元以上': 0, '3000-5000元': 1, '2000-3000元': 2})
# 提取特征和标签
X = data[['年龄', '性别', '收入']]
y = data['是否购买产品']
接着，创建决策树模型并训练：
# 创建决策树模型
model = tree.DecisionTreeClassifier()
# 训练模型
model.fit(X, y)
最后，使用测试集评估模型的性能：
```python # 读取测试集数据 test_data =
pd.read_csv(’test_data.csv’)
特征编码
test_data[‘年龄’] = test_data[‘年龄’].map({’25’: 0, ‘30’: 1, ‘35’: 2, ‘40’: 3, ‘45’: 4, ‘50’: 5, ‘60’: 6}) test_data[‘性别’] = test_data[‘性别’].map({’男’: 0, ‘女’: 1}) test_data[‘收入’] = test_data[‘收入’].map({’5000元以上’: 0, ‘3000-5000元’: 1, ‘2000-3000元’: 2})
提取特征和标签
X_test = test_data[[‘年龄’, ‘性别’, ‘收入’]] y_test = test_data[‘是否购买产品’]
预测结果
y_pred = model.predict(X_test)
计算准确率
accuracy = (y_pred == y_test).mean() print(。