我首先看的是Orange，它是一个功能齐全的 ML 应用程序，具有 Python 后端。参见例如orngEnsemble。

其他有前途的项目是mlpy和scikit.learn。

我知道PyCV包括几个增强程序，但显然不是 CART。也看看MLboost

您可以使用 Rpy(http://rpy.sourceforge.net/) 使用 R 决策树库。另请查看文章“使用 python 构建决策树”（http://onlamp.com/pub/a/python/2...）。

还有

http://opencv.willowgarage.com/documentation/index.html

http://research.engineering.wustl.edu/~amohan/

更新的答案

情况发生了很大变化，如今答案很明确：

• scikit-learn是python 中的库，有几个用于增强决策树的优秀算法
• python 中“最好的”提升决策树是XGBoost实现。

更新 1

• 同时，LightGBM虽然仍然很“新”，但似乎与XGBoost一样好甚至更好

我在Milk: Machine Learning Toolkit for Python中的基于树的学习器取得了很好的成功。它似乎正在积极开发中，但是当我使用它时文档有点稀疏。测试套件（github.com/luispedro/milk/blob/master/tests/test_adaboost.py）包含一个“增强的树桩”，它可以让你很快地进行：

import numpy as np
import milk.supervised.tree
import milk.supervised.adaboost

def test_learner():
    from milksets import wine
    learner = milk.supervised.adaboost.boost_learner(milk.supervised.tree.stump_learner())
    features, labels = wine.load()
    features = features[labels < 2]
    labels = labels[labels < 2] == 0
    labels = labels.astype(int)
    model = learner.train(features, labels)
    train_out = np.array(map(model.apply, features))
    assert (train_out == labels).mean() > .9