在Python中，决策树的结果可以通过多种方式查看，包括使用内置的库和第三方工具。以下是使用`graphviz`库进行决策树可视化输出的步骤和示例代码：
1. 安装`graphviz`库和`pydotplus`库（如果尚未安装）：
```bash
pip install graphviz pydotplus
2. 使用`graphviz`库和`pydotplus`库来可视化决策树：```pythonfrom sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
from pydotplus import graph_from_dot_data
from IPython.display import Image
加载数据集
iris = load_iris（）
X_train, X_test, y_train, y_test = train_test_split（iris.data, iris.target, test_size=0.3, random_state=42）
创建决策树模型
clf = DecisionTreeClassifier（）
clf.fit（X_train, y_train）
预测测试集
y_pred = clf.predict（X_test）
获取决策树的可视化数据
dot_data = clf.export_graphviz（out_file=None,
feature_names=iris.feature_names,
class_names=iris.target_names,
filled=True, rounded=True,
special_characters=True）
使用graphviz生成图像
graph = graph_from_dot_data（dot_data）
Image（graph.create_png（））
上述代码将加载鸢尾花数据集，训练一个决策树分类器，并对测试集进行预测。然后，它将使用`export_graphviz`方法导出决策树的结构，并使用`graphviz`库将其转换为图像。
如果你需要查看决策树的具体结果，比如每个节点的预测值和样本分布，你可以使用`export_text`方法：
```python
获取决策树文本表示
dot_data_text = clf.export_graphviz（out_file=None,
feature_names=iris.feature_names,
class_names=iris.target_names,
filled=True, rounded=True,
special_characters=True,
proportion=True,
node_ids=True）
打印决策树文本表示
print（dot_data_text）
这将输出一个包含决策树结构的文本描述，包括每个节点的样本数、基尼系数、样本分布等信息。请注意，上述代码示例是基于`sklearn`库的，如果你使用的是其他库，可能需要调整代码以适应相应的API。