场景：
- 1.样本集（模拟）：根据水果的（如苹果和橘子）的重量和光滑度（1：光滑，0：粗糙）搭建模型判断水果是苹果还是橘子；
- 2.利用决策树这种分类算法简历模型，训练训练集，用过测试集进行验证模型的准确型。
工具：
python的 Anaconda ，借助 sklearn 库（是一种数据挖掘和数据分析的有效方式，以 pandas 、scipy 以及matplotlib 为基础建模、进行数学运算等，其中包含许多算法模型）
算法：
决策树分类算法（从 sklearn 库中导入已有的模型：DecisionTreeClassifier()）
数据集：
| 序号 | 重量 | 光滑度 | 标签 |
|---|---|---|---|
| 1 | 140g | 光滑 | 苹果 |
| 2 | 130g | 光滑 | 苹果 |
| 3 | 150g | 粗糙 | 橘子 |
| 4 | 170g | 粗糙 | 橘子 |
实现代码：
# 从slearn包中导入tree模块
from sklearn import tree
# 特征：[重量,光滑度:[1:光滑；0：粗糙]]
# 样本数据：训练集
features = [[140,1],[130,1],[150,0],[170,0]]
# 打印样本集的特征值
print(features)
# 标签
label = ['apple','apple','organge','organge']
# 引入决策数模型
clf=tree.DecisionTreeClassifier()
# 训练样本数据，获得模型：clf
clf = clf.fit(features,label)
# 通过模型：clf 预测结果
print(clf.predict([[150,0]]))
