决策树是一种二叉树流程图，每个节点根据某个特征变量对样本集进行划分，最终通过叶子节点输出分类结果。本文将构建基于“身高”和“头发长度”的性别预测分类器。

1. 前置条件

需安装pydotplus和graphviz库（用于决策树可视化）：

• graphviz：通过dot文件绘制图形的工具；
• pydotplus：操作Graphviz的Dot语言的Python模块。 安装命令：pip install pydotplus graphviz。

2. 实现步骤

步骤1：导入库

import pydotplus
from sklearn import tree
from sklearn.metrics import classification_report
from sklearn import cross_validation
import collections

步骤2：定义数据集

特征为“身高（cm）”和“头发长度（cm）”，标签为“Man（男性）”或“Woman（女性）”：

## 特征：[身高, 头发长度]
X = [[165, 19], [175, 32], [136, 35], [174, 65], [141, 28], [176, 15],
     [131, 32], [166, 6], [128, 32], [179, 10], [136, 34], [186, 2],
     [126, 25], [176, 28], [112, 38], [169, 9], [171, 36], [116, 25], [196, 25]]
## 标签：性别
Y = ['Man', 'Woman', 'Woman', 'Man', 'Woman', 'Man', 'Woman', 'Man', 'Woman',
     'Man', 'Woman', 'Man', 'Woman', 'Woman', 'Woman', 'Man', 'Woman', 'Woman', 'Man']
## 特征名
data_feature_names = ['height（身高）', 'length of hair（头发长度）']

步骤3：划分训练集与测试集

X_train, X_test, Y_train, Y_test = cross_validation.train_test_split(
    X, Y, test_size=0.40, random_state=5
)

步骤4：构建并训练决策树

## 初始化决策树分类器
clf = tree.DecisionTreeClassifier()
## 训练模型（使用全量数据，也可替换为X_train和Y_train）
clf = clf.fit(X, Y)

步骤5：模型预测

预测身高133cm、头发长度37cm的样本性别：

prediction = clf.predict([[133, 37]])
print(prediction)  # 输出：['Woman']（女性）

步骤6：决策树可视化

将决策树保存为PNG图片：

## 导出决策树的dot格式数据
dot_data = tree.export_graphviz(
    clf, feature_names=data_feature_names, out_file=None,
    filled=True, rounded=True
)
## 生成图形对象
graph = pydotplus.graph_from_dot_data(dot_data)
## 设置节点颜色
colors = ('orange', 'yellow')
edges = collections.defaultdict(list)
for edge in graph.get_edge_list():
    edges[edge.get_source()].append(int(edge.get_destination()))
for edge in edges:
    edges[edge].sort()
    for i in range(2):
        dest = graph.get_node(str(edges[edge][i]))[0]
        dest.set_fillcolor(colors[i])
## 保存为PNG图片
graph.write_png('Decisiontree16.png')

决策树核心划分规则

• 根节点：头发长度≤22.0cm（基尼系数=0.488，19个样本：8男11女）；
  • 左子树（头发长度≤22.0cm）：6个样本全为男性（基尼系数=0.0）；
  • 右子树（头发长度>22.0cm）：13个样本（2男11女），进入下一级划分；
• 次级节点：身高≤186.0cm（基尼系数=0.153，12个样本：1男11女）；
  • 左子树（身高≤186.0cm）：11个样本全为女性（基尼系数=0.0）；
  • 右子树（身高>186.0cm）：1个样本为男性（基尼系数=0.0）。

可以改变预测中的特征值来测试它。