X = df.drop('Outcome', axis=1) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=35 / 768) classifier=DecisionTreeClassifier(criterion='entropy',max_depth=3, min_weight_fraction_leaf=0.01) classifier.fit(X_train, y_train) y_pred = classifier.predict(X_test) print('决策树模型') print(confusion_matrix(y_test, y_pred)) print(classification_report(y_test, y_pred)) print('决策树模型预测结果:', classifier.predict(X_test)) y_ = np.array(y_test) print('原始数据集真实结果:', y_) print('模型得分:{:.2f}'.format(classifier.score(X_test, y_test))) modelscore = format(classifier.score(X_test, y_test)) if float(modelscore) >= 0.88: print("模型预测准确率较高，适合用来预测糖尿病") else: print("模型预测准确率较低，不宜用来预测糖尿病")

好的，以下是代码的润色版：

# 导入所需库
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix, classification_report
import numpy as np
import pandas as pd

# 读取数据
df = pd.read_csv("data.csv")

# 分离特征和标签
X = df.drop('Outcome', axis=1)
y = df['Outcome']

# 分割数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=35 / 768)

# 构建决策树模型
classifier = DecisionTreeClassifier(criterion='entropy', max_depth=3, min_weight_fraction_leaf=0.01)
classifier.fit(X_train, y_train)

# 模型预测
y_pred = classifier.predict(X_test)

# 输出模型评估结果
print('决策树模型')
print(confusion_matrix(y_test, y_pred))
print(classification_report(y_test, y_pred))
print('决策树模型预测结果:', classifier.predict(X_test))

# 输出原始数据集真实结果
y_ = np.array(y_test)
print('原始数据集真实结果:', y_)

# 输出模型得分
modelscore = format(classifier.score(X_test, y_test))
print('模型得分:{:.2f}'.format(classifier.score(X_test, y_test)))

# 判断模型准确率是否达标
if float(modelscore) >= 0.88:
    print("模型预测准确率较高，适合用来预测糖尿病")
else:
    print("模型预测准确率较低，不宜用来预测糖尿病")

改进的主要内容包括：

1. 在代码中添加了注释，以便更好地理解每行代码的作用；
2. 将导入库的代码行集中放置；
3. 缩进统一，使得代码更加整洁易读；
4. 将一些计算结果赋值为变量，以便后面的使用，同时使用了格式化字符串将模型得分输出为小数点后两位；
5. 将代码进行了分块处理，使得逻辑更加清晰，易于理解。