Python的scikit-learn（简称sklearn）模块可以非常好地支持决策树分类，尽管它使用的是更加复杂的决策树算法，但依然是在上一节讲述的原理基础上的优化算法。本节将使用scikit-learn的决策树分类来识别“蘑菇数据”中的毒蘑菇。
首先介绍本案例使用的数据。原始数据来源于加州大学欧文分校用于机器学习的数据库（UCI数据库），本书使用的是经过必要处理的数据，此数据可从教材资源平台下载。
接下来在命令行界面安装scikit-learn。
pipinstall -uscikit-learn
安装scikit-learn之前需要确保模块numpy和scipy已经安装，否则可以使用pipinstall安装。
pipinstall -unumpy
pipinstall -uscipy
进入Python之后，使用如下命令调用scikit-learn的决策树方法。
fromsklearnimporttree
模块scikit-learn的决策树是基于DecisionTreeClassifier对象，它能够解决二分类问题（如蘑菇是否可食用），也可以解决多分类问题。在使用中，对输入训练数据的维度要求如下。
输入X：样本数量×特征属性数量；
输入Y：样本类别标签，与X要一一对应。
下面先用一个简单的例子来熟悉使用方法。对四个点X=[[0，0]，[0，1]，[1，0]，[1，1]]使用决策树进行分类，四个点分别属于两个类别0和1，它们对应的类别标签是Y=[0，0，1，1]。这可以通过如下简单代码实现。
In[1]：fromsklearnimporttree
X=[[0，0]，[0，1]，[1，0]，[1，1]]
Y=[0，0，1，1]
clf=（）
clf=（X，Y）
clf命令用来构造决策树，通过clf.fit（X，Y）实现了决策树的构建，此时clf已经是能够进行分类的决策树了，可以用它来进行新数据的分类。例如，输出[[0.3，0]，[0.8，1]，[1.2，1]]的类别，代码如下。
In[2]：test=[[0.3，0]，[0.8，1]，[1.2，1]]
In[3]：（test）
Out[3]：array（[0，1，1]）
通过上述输出可以看到决策树给出的分类结果是[0.3，0]类别为0；[0.8，1]类别为1；[1.2，1]类别为1。读者可以在平面直角坐标系上画出这些点，看看分类是否合理。
读者还可以尝试下列与决策树相关的函数，看看它们具有什么功能。
In[4]：dir（clf）
Out[4]：
[……
'apply'，
'class_weight'，
'classes_'，
'criterion'，
'decision_path'，
'feature_importances_'，
'fit'，
'fit_transform'，
'get_params'，
'max_depth'，
'max_features'，
'max_features_；，
'max_leaf_nodes'，
