单元二
第7课 DecisionTreeClassifier 浅用
一、任务目标
训练一棵浅决策树，并看测试正确率。
二、核心概念讲清楚
决策树按特征阈值把样本分到不同叶子。优点是好解释；太深可能过拟合。
DecisionTreeClassifier- 每个节点问一个「是否」式问题
- 可限制 max_depth 防止树长得过深
1准备数据划分训练/测试
2创建树模型可设深度
3fit在训练集生长
4评估测试集正确率
三、跟着想一遍（小例子）
深度很浅的树像「只问两三个关键问题」；深度很大可能把噪声也背下来。
易错：深度不设上限，训练集 100% 正确但测试集崩盘。
正确：控制深度，并看测试集表现。
想一想：游戏「二十个问题」和决策树哪里像？
四、解题思路
任务：训练一棵浅决策树，并看测试正确率。 先想清楚：输入是什么、处理后得到什么、屏幕上应出现什么。
本课主要用到：屏幕输出。
- 1明确任务「训练一棵浅决策树，并看测试正确率。」：运行后你希望看到什么结果（文字、图形或计算结果）。
- 2用 print 把结果说出来，确认屏幕上出现预期内容。
- 3对照参考代码跑通后，只改一个参数，观察结果如何变化。
流程示意（可对照左侧文字）
五、语句功能讲解
本课用到的 Mixly 图形块均已在前面的课讲过。请直接对照编程练习搭积木；若有遗忘，回到该积木首次出现的课页复习。
六、知识点讲解
分类根据特征给样本贴标签。先拆分训练／测试，再 fit → predict，最后看准确率。
先弄清本课输入与输出，再进编程练习对照现象。
七、编程练习
先理解上面的例子，再在下方 Mixly 运行与检查（含 scikit-learn）。
注意 max_depth=3。
参考代码（对照抄写到下方 Mixly）
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.3, random_state=1
)
tree = DecisionTreeClassifier(max_depth=3, random_state=0)
tree.fit(X_train, y_train)
print("正确率:", round(accuracy_score(y_test, tree.predict(X_test)), 3))
print("树深度上限 max_depth=3")
正在载入编程环境
正在载入 Mixly 文本编程环境…
八、课堂练习
先完成两道正误判断，再做其余题目；选出后点「检查」。
判断：只抄参考代码，不看运行输出，也不改参数验证。
判断：先跑通，再对照「DecisionTreeClassifier」改一处输入/参数，确认输出按预期变化；答错小测时读讲解。
DecisionTreeClassifier 主要用于？
限制 max_depth 的常见目的是？
九、本节小结
决策树用问题串分类；浅一点更稳。