决策树解决的问题及算法实例

决策树是一种监督学习算法，主要用于解决分类和回归问题。它通过构建树状模型，基于特征规则对数据进行分割，最终实现预测或决策。以下是详细解析及实例说明：

一、决策树能解决的核心问题

1. 分类问题（离散值预测）

• 场景举例：

  • 预测客户是否会购买产品（是/否）。

  • 判断邮件是否为垃圾邮件。

  • 医疗诊断（如是否患糖尿病）。

• 特点：输出为类别标签。

2. 回归问题（连续值预测）

• 场景举例：

  • 预测房价。

  • 预估销售额。

• 特点：输出为数值。

3. 特征重要性分析

• 决策树可计算每个特征对预测的贡献度，用于特征筛选。

二、决策树算法实例（分类问题）

实例1：鸢尾花分类（经典数据集）

目标：根据花萼长度、宽度和花瓣长度、宽度，预测鸢尾花种类（Setosa/Versicolor/Virginica）。

代码实现（Python）

from sklearn.dat