调用sklearn相应的函数对数据集进行分类。

以下是使用sklearn对数据集进行分类的示例代码：

from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier

# 创建一个二分类数据集
X, y = make_classification(n_samples=1000, n_features=10, n_classes=2, random_state=42)

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建决策树模型
clf = DecisionTreeClassifier(max_depth=3, random_state=42)

# 训练模型
clf.fit(X_train, y_train)

# 测试模型
accuracy = clf.score(X_test, y_test)
print("模型准确率：", accuracy)

在上面的代码中，我们使用sklearn中的make_classification函数创建了一个二分类数据集，并将数据集划分为训练集和测试集。然后，我们使用DecisionTreeClassifier类创建一棵深度为3的决策树模型，并使用训练集对模型进行训练。最后，我们使用测试集对模型进行测试，并计算模型的准确率。