决策树是一种常用的机器学习算法，它通过树形结构对数据进行分类或回归。掌握决策树算法对于从事数据分析、机器学习等领域的人来说至关重要。以下是一些例题，帮助你轻松上手决策树。
例题一：判断性别
问题描述：根据以下特征判断一个人的性别：
- 年龄：0-18岁，18-50岁，50岁以上
- 是否已婚：是，否
- 是否有孩子：是，否
解题步骤：
- 构建决策树：首先，我们需要确定决策树的根节点。在这个例子中，我们可以选择“年龄”作为根节点，因为年龄是一个比较明显的特征。
- 划分节点：根据年龄，我们可以将数据集划分为三个子集：0-18岁，18-50岁，50岁以上。
- 选择最优划分：对于每个子集，我们需要选择一个特征来划分节点。在这个例子中，我们可以选择“是否已婚”作为18-50岁子集的划分特征，因为在这个年龄段，已婚和未婚的人可能具有不同的性别分布。
- 重复步骤：对于每个子集，我们继续选择最优划分特征，直到达到某个停止条件（例如，所有样本都属于同一类别）。
代码示例：
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
# 加载数据集
data = load_iris()
X = data.data
y = data.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# 创建决策树分类器
clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)
# 预测测试集
y_pred = clf.predict(X_test)
# 评估模型
score = clf.score(X_test, y_test)
print("模型准确率：", score)
例题二：预测房价
问题描述：根据以下特征预测房价：
- 房屋面积：100-200平方米，200-300平方米，300平方米以上
- 房屋类型：公寓，别墅
- 地理位置：市中心，郊区
解题步骤：
- 构建决策树：选择一个特征作为根节点，例如“房屋面积”。
- 划分节点：根据房屋面积，将数据集划分为三个子集。
- 选择最优划分：对于每个子集，选择一个特征来划分节点，例如“房屋类型”。
- 重复步骤：对于每个子集，继续选择最优划分特征，直到达到停止条件。
代码示例：
# 加载数据集（此处省略数据加载和划分训练集、测试集的代码）
# 创建决策树分类器
clf = DecisionTreeRegressor()
clf.fit(X_train, y_train)
# 预测测试集
y_pred = clf.predict(X_test)
# 评估模型
score = clf.score(X_test, y_test)
print("模型准确率：", score)
例题三：预测客户流失
问题描述：根据以下特征预测客户是否会流失：
- 客户年龄：20-30岁，30-40岁，40岁以上
- 客户消费金额：1000元以下，1000-2000元，2000元以上
- 客户服务满意度：高，中，低
解题步骤：
- 构建决策树：选择一个特征作为根节点，例如“客户年龄”。
- 划分节点：根据客户年龄，将数据集划分为三个子集。
- 选择最优划分：对于每个子集，选择一个特征来划分节点，例如“客户消费金额”。
- 重复步骤：对于每个子集，继续选择最优划分特征，直到达到停止条件。
代码示例：
# 加载数据集（此处省略数据加载和划分训练集、测试集的代码）
# 创建决策树分类器
clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)
# 预测测试集
y_pred = clf.predict(X_test)
# 评估模型
score = clf.score(X_test, y_test)
print("模型准确率：", score)
通过以上例题，你可以了解到决策树的基本原理和应用。在实际应用中，你需要根据具体问题选择合适的特征和划分方法，以达到最佳预测效果。