使用决策树算法对鸢尾花数据集分类

鸢尾花数据集是机器学习中常用的分类问题数据集之一，它包含了三个品种的鸢尾花（山鸢尾、变色鸢尾、维吉尼亚鸢尾）的花萼长度、花萼宽度、花瓣长度、花瓣宽度四个属性的数据。下面我们使用Python中的scikit-learn库来实现使用决策树算法对鸢尾花数据集分类的代码。

# 导入数据集和决策树模型
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split

# 加载鸢尾花数据集
iris = load_iris()

# 划分训练集和测试集
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(random_state=42)

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集数据
y_pred = clf.predict(X_test)

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

上述代码中，我们首先导入鸢尾花数据集和决策树模型，然后使用`train_test_split`函数将数据集划分为训练集和测试集，接着创建决策树模型，并使用训练集数据进行训练，最后对测试集数据进行预测，并计算模型的准确率。

运行上述代码后，我们可以看到模型的准确率为1.0，说明该决策树模型对鸢尾花数据集分类效果非常好。