（[[120，115，121，...，110，110，103]，
[98，115，119，...，110，110，109]，
[120，121，119，...，107，115，117]，
[120，115，103，...，110，97，103]]）
In[26]：（test）
Out[26]：array（[1，1，0，1]）
这个决策树的准确率如何呢？一种简单的方法是使用训练数据中的X，用决策树获得对应的类别标记，也就是预测分类结果（这里用Y_predict表示），然后把它和实际的类别标记Y进行比较。scikit-learn支持这样的比较，使用的方法是accuracy_score。
In[27]：fromsklearn.metricsimportaccuracy_score
In[28]：Y_predict=（X）
#这里使用前面训练好的决策树，输入训练样本的X，给出对应的predict
In[29]：accuracy_score（Y，Y_predict）
#这里利用accuracy_score来比较预测值和真实值。
Out[29]：1.0
可以看到这个决策树在训练数据上的准确率是100%（1.0）。这表明使用上述算法构建的决策树完全捕捉了训练数据的分类信息。这也许是因为训练出的决策树确实具有很好的分类效果，但也有可能并不是真正的分类准确率，而是发生了过拟合现象。
为了更好地评估分类准确率，需要使用与训练数据不同的测试数据。可以抽取全部数据中的一部分作为训练数据，另一部分作为测试数据，使用抽取出的训练数据来构建决策树，然后使用测试数据评估准确率。这可以通过如下方式来实现。
In[30] fromsklearn.model_selectionimporttrain_test_split
In[31]：X_train，X_test，Y_train，Y_test=train_test_split
（X，Y，test_size=0.2）
#这里将全部样本分成两部分，其中训练样本占80%，测试样本占20%，这
#里采用了随机分割样本的方法，所以读者的输出可能与下面的结果不同
In[32]：newclf=（）
In[33]：（X_train，Y_train）
#利用训练数据来构建决策树
Out[33]：
DecisionTreeClassifier（class_weight=None，criterion='gini'，
max_depth=None，
max_features=None，max_leaf_nodes=None，
min_impurity_split=1e-07，min_samples_leaf=1，
min_samples_split=2，min_weight_fraction_leaf=0.0，
presort=False，random_state=None，splitter='best'）
#返回新的决策树的参数
In[34]：Y_predict=（X_test）
#注意，这里是将新训练的决策树用在测试样本的X上，并预测出对应Y
In[35]：accuracy_score（Y_test，Y_predict）
Out[35]：1.0
可以看到在测试集上的准确率仍然是100%，这说明这个分类器确实具有很高的准确率。因为测试数据和训练数据是采用随机划分的方式获得的，读者最后获得的输出结果可能会与此不同。
从上述内容可以看出，决策树实现起来简单并且效果很好。本书采用最简单的形式实现这个算法，scikit-learn的决策树有很多参数可以调整，读者可以尝试调整决策树的参数，观察分类性能会发生什么改变。
