请生成一段决策树模型的代码，用于对一个8列600行的csv文件分类，一共有三类，每类200行数据，

以下是一个简单的决策树模型的代码，用于对一个8列600行的csv文件分类，一共有三类，每类200行数据：

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 读取数据
data = pd.read_csv('data.csv')

# 获取特征和标签
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建决策树分类器
clf = DecisionTreeClassifier()

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

其中，`data.csv` 是包含 8 列 600 行数据的 CSV 文件，每行数据包含 8 个特征和一个标签，共有三个类别。代码将数据划分为训练集和测试集，并使用决策树分类器来训练和预测模型。最后，计算模型的准确率并输出结果。