import numpy as np  # 导入numpy库
import random  # 导入random库
from sklearn import tree  # 从sklearn库中导入决策树模块
from sklearn.linear_model import LinearRegression
from graphviz import Source  # 从graphviz库中导入Source类

#1. 准备数据集
np.random.seed(42)  # 设置numpy的随机数生成器的种子
X = np.random.randint(10, size=(100, 4))  # 生成一个100行4列的随机整数数组(>=10)，作为特征数据
Y = np.random.randint(2, size=100)  # 生成一个包含100个元素的随机整数数组(>=2)，作为标签数据
a = np.column_stack((Y, X))  # 将标签和特征数据垂直堆叠
print(a.size)
print(a)

#2. 模型训练
# 创建决策树分类器，使用基尼系数作为分裂准则，最大深度为3
clf = tree.DecisionTreeClassifier(criterion='gini', max_depth=3)#cart模型
# 使用特征数据和标签数据训练决策树模型
result = clf.fit(X, Y)

# 3. 可视化
# 将训练好的决策树模型导出为Graphviz格式的源代码，并创建Source对象
# result1 = tree.export_graphviz(result, out_file=None)
# graph = Source(result1)
graph = Source(tree.export_graphviz(result,out_file=None))
# 设置生成的图像格式为PNG
graph.format = 'png'
# 将Source对象渲染为PNG图像，并自动打开查看
graph.render('cart_tree', view=True)