python写一段决策树分类模型的代码，并且输出测试误差和训练误差

好的，以下是一份简单的决策树分类模型代码：

from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载数据
iris = load_iris()
data = iris.data
target = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data, target, test_size=0.3)

# 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)

# 计算测试误差和训练误差
test_error = 1 - accuracy_score(y_test, y_pred)
train_error = 1 - clf.score(X_train, y_train)

# 输出测试误差和训练误差
print("测试误差:", test_error)
print("训练误差:", train_error)

这份代码使用了sklearn库中的DecisionTreeClassifier类，加载了iris数据集作为训练数据，划分了训练集和测试集，训练了模型，预测了测试集，最后计算了测试误差和训练误差并输出。