决策树是分类任务中的经典算法，凭借逻辑清晰、可解释性强的优势广泛应用，但无约束生长的决策树容易过度拟合训练数据，导致面对新数据时泛化能力下降。剪枝技术作为解决过拟合的核心手段，主要分为预剪枝和后剪枝两类。本文将基于自定义数据集，从零实现两种剪枝策略，通过精度对比验证效果，并结合可视化直观呈现剪枝对决策树结构的影响，提供可直接复用的代码框架。首先确保安装必要的库（numpy、matplotlib、s

原理简单，代码易实现，新手友好。无训练过程，拿到数据就能用（“即插即用”）。对异常值不敏感，因仅依赖近邻样本，而非全局数据。